# CRNN
## 论文
An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition
- https://arxiv.org/abs/1507.05717
## 模型结构
CRNN模型的主要结构包括基于CNN的图像特征提取模块以及基于双向LSTM的文字序列特征提取模块。
## 算法原理
CRNN是文本识别领域的一种经典算法，该算法的主要思想是认为文本识别需要对序列进行预测，所以采用了预测序列常用的RNN网络。该算法首先通过CNN提取图片特征，然后采用RNN对序列进行预测，最终使用CTC方法得到最终结果。
## 环境配置
### Docker
拉取镜像：
```plaintext
docker pull image.sourcefind.cn:5000/dcu/admin/base/migraphx:4.0.0-centos7.6-dtk23.04.1-py38-latest
```
创建并启动容器，安装相关依赖：
```plaintext
docker run --shm-size 16g --network=host --name=crnn_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/crnn_migraphx:/home/crnn_migraphx -it /bin/bash
# 激活dtk
source /opt/dtk/env.sh
```
## 数据集
根据提供的样本数据，进行文本识别。
## 推理
### Python版本推理
下面介绍如何运行Python代码示例，Python示例的详细说明见Doc目录下的Tutorial_Python.md。
#### 设置环境变量
```
export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH
```
#### 运行示例
CRNN工程的Python推理示例仅提供静态推理，可使用如下命令运行：
```
# 进入python示例目录
cd /Python
# 安装依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
# 运行示例
python Crnn_infer_migraphx.py
```
### C++版本推理
下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。
#### 构建工程
```
rbuild build -d depend
```
#### 设置环境变量
将依赖库依赖加入环境变量LD_LIBRARY_PATH，在~/.bashrc中添加如下语句：
```
export LD_LIBRARY_PATH=/depend/lib64/:$LD_LIBRARY_PATH
```
然后执行:
```
source ~/.bashrc
```
#### 运行示例
成功编译CRNN工程后，执行如下命令运行该示例：
```
# 进入crnn migraphx工程根目录
cd
# 进入build目录
cd build/
```
1. 静态推理
```
./CRNN 0
```
2. 动态shape推理
```
# 执行动态推理示例程序
./CRNN 1
```
## result
### Python版本
输入样本图像得到文本识别的结果
```
a-----v--a-i-l-a-bb-l-e--- => available
```
### C++版本
静态推理：
输入样本图像得到文本识别的结果
```
a-----v--a-i-l-a-bb-l-e--- => available
```
动态推理：
可以连续对多张样本图像进行文本识别
```
available
migraphx
waiting
recognition
```
## 应用场景
### 算法类别
`ocr`
### 热点应用行业
`工业制造`,`金融`,`交通`,`教育`,`医疗`
## 源码仓库及问题反馈
https://developer.hpccube.com/codes/modelzoo/crnn_migraphx
## 参考
https://github.com/meijieru/crnn.pytorch