编写readme

LPRNet_ORT_infer.py

 import onnxruntime as ort
 import cv2
 import numpy as np
+import argparse
+import os
 
 print('Runing Based On:', ort.get_device())
 
@@ -27,10 +29,7 @@ def LPRNetPostprocess(infer_res):
     for j in range(infer_res.shape[1]):
         preb_label.append(np.argmax(infer_res[:, j], axis=0))
     no_repeat_blank_label = []
-
-    print(preb_label)
     pre_c = preb_label[0]
-    print(pre_c)
     if pre_c != len(CHARS) - 1:
         no_repeat_blank_label.append(pre_c)
     for c in preb_label:  # dropout repeate label and blank label
@@ -43,31 +42,32 @@ def LPRNetPostprocess(infer_res):
     result = ''.join(list(map(lambda x: CHARS[x], no_repeat_blank_label)))
     return result
 
-def LPRNetInference(model, imgs):
-    img = LPRNetPreprocess(imgs)
-    
+def LPRNetInference(args):
     if ort.get_device() == "GPU":
-        sess = ort.InferenceSession(model, providers=['ROCMExecutionProvider'],) #DCU版本
+        sess = ort.InferenceSession(args.model, providers=['ROCMExecutionProvider'],) #DCU版本
     else:
-        sess = ort.InferenceSession(model, providers=['CPUExecutionProvider']) # CPU版本
-    print(sess.get_providers())
+        sess = ort.InferenceSession(args.model, providers=['CPUExecutionProvider']) # CPU版本
+
+    if os.path.isdir(args.imgpath):
+        images = os.listdir(args.imgpath)
+        for image in images:
+            img = LPRNetPreprocess(os.path.join(args.imgpath, image))
             intput = sess.get_inputs()[0].shape
             preb = sess.run(None, input_feed={sess.get_inputs()[0].name: img})[0]
-
             result = LPRNetPostprocess(preb)
-    return result
+            print('Inference Result:', result)
+    else:
+        img = LPRNetPreprocess(args.imgpath)
+        intput = sess.get_inputs()[0].shape
+        preb = sess.run(None, input_feed={sess.get_inputs()[0].name: img})[0]
+        result = LPRNetPostprocess(preb)
+        print('Inference Result:', result)
 
 if __name__ == '__main__':
-    model_name = 'model/LPRNet.onnx'
-    # model_name = 'LPRNet.onnx'
-    # image = 'imgs/川JK0707.jpg'
-    import os
-    images = os.listdir('/code/lpr_ori/data/test')
-    count = 0
-    for image in images:
-        label = image[:-4]
-        InferRes = LPRNetInference(model_name, os.path.join('/code/lpr_ori/data/test', image))
-        print(image, 'Inference Result:', InferRes)
-        if label == InferRes:
-            count += 1
-    print('acc rate:', count / len(images))
+    parser = argparse.ArgumentParser(description='parameters to vaildate net')
+    parser.add_argument('--model', default='model/LPRNet.onnx', help='model path to vaildate')
+    parser.add_argument('--imgpath', default='imgs', help='the image path')
+    args = parser.parse_args()
+
+    LPRNetInference(args)
+    

LPRNet_migraphx_infer.py

@@ -5,6 +5,8 @@ MIGraphX示例程序
 import cv2
 import numpy as np
 import migraphx
+import argparse
+import os
 
 CHARS = ['京', '沪', '津', '渝', '冀', '晋', '蒙', '辽', '吉', '黑',
          '苏', '浙', '皖', '闽', '赣', '鲁', '豫', '鄂', '湘', '粤',
@@ -42,30 +44,40 @@ def LPRNetPostprocess(infer_res):
     result = ''.join(list(map(lambda x: CHARS[x], no_repeat_blank_label)))
     return result
 
-def LPRNetInference(model_name, imgs):
-    img = LPRNetPreprocess(imgs)
-    
+def LPRNetInference(args):
     # 加载模型
-    if model_name[-3:] == 'mxr':
-        model = migraphx.load(model_name)
+    if args.model[-3:] == 'mxr':
+        model = migraphx.load(args.model)
     else:
         print('convert onnx to mxr...')
-        model = migraphx.parse_onnx(model_name)
+        model = migraphx.parse_onnx(args.model)
         model.compile(t=migraphx.get_target("gpu"),device_id=0) # device_id: 设置GPU设备，默认为0号设备(>=1.2版本中支持)
-        migraphx.save(model, 'model/LPRNet.mxr')
+        migraphx.save(model, args.savepath)
 
+    if os.path.isdir(args.imgpath):
+        images = os.listdir(args.imgpath)
+        for image in images:
+            img = LPRNetPreprocess(os.path.join(args.imgpath, image))
             inputName=model.get_parameter_names()[0]
             inputShape=model.get_parameter_shapes()[inputName].lens()
-    print("inputName:{0} \ninputShape:{1}".format(inputName,inputShape))
-
+            # print("inputName:{0} \ninputShape:{1}".format(inputName,inputShape))
             results = model.run({inputName: migraphx.argument(img)})
-
             result = LPRNetPostprocess(np.array(results[0]))
-    return result
+            print('Inference Result:', result)
+    else:
+        img = LPRNetPreprocess(args.imgpath)
+        inputName=model.get_parameter_names()[0]
+        inputShape=model.get_parameter_shapes()[inputName].lens()
+        # print("inputName:{0} \ninputShape:{1}".format(inputName,inputShape))
+        results = model.run({inputName: migraphx.argument(img)})
+        result = LPRNetPostprocess(np.array(results[0]))
+        print('Inference Result:', result)
 
 if __name__ == '__main__':
-    # model_name = 'model/LPRNet.onnx'
-    model_name = 'model/LPRNet.mxr'
-    image = 'imgs/川JK0707.jpg'
-    InferRes = LPRNetInference(model_name, image)
-    print(image, 'Inference Result:', InferRes)
+    parser = argparse.ArgumentParser(description='parameters to vaildate net')
+    parser.add_argument('--model', default='model/LPRNet.mxr', help='model path to inference')
+    parser.add_argument('--imgpath', default='imgs/川JK0707.jpg', help='the image path')
+    parser.add_argument('--savepath', default='model/LPRNet.mxr', help='mxr model save path and name')
+    args = parser.parse_args()
+
+    LPRNetInference(args)

README.md

@@ -6,13 +6,52 @@ LPR是一个基于深度学习技术的车牌识别模型，主要识别目标
 模型采用LPRNet，模型结构主要包含三部分：一个轻量级CNN主干网络、基于预定位置的字符分类头部、基于贪婪算法的序列解码。此外模型使用CTC Loss和RMSprop优化器。
 
 ## 数据集
-推荐使用一个车牌数据集[CCPD](https://github.com/detectRecog/CCPD "CCPD官网GITHub")，也可参考[CCPD](https://blog.csdn.net/LuohenYJ/article/details/117752120 "CCPD中文版介绍")，该数据集由中科大收集，可用于车牌的检测与识别。我们提供了一个脚本cut_ccpd.py用于剪裁出CCPD数据集中的车牌位置，以便用于LPR模型的训练，在cut_ccpd.py中修改img_path和save_path即可，分别是CCPD数据集中ccpd_base文件夹的路径和剪裁出的图像保存路径。
+推荐使用一个车牌数据集[CCPD](https://github.com/detectRecog/CCPD "CCPD官网GitHub")，也可参考[CCPD](https://blog.csdn.net/LuohenYJ/article/details/117752120 "CCPD中文版介绍")，该数据集由中科大收集，可用于车牌的检测与识别。我们提供了一个脚本cut_ccpd.py用于剪裁出CCPD数据集中的车牌位置，以便用于LPR模型的训练，在cut_ccpd.py中修改img_path和save_path即可，分别是CCPD数据集中ccpd_base文件夹的路径和剪裁出的图像保存路径。LPR用于训练的数据文件名就是图像的标签。
 
 ## 训练及推理
-导出onnx模型：
-python test.py --export_onnx true
+### 训练与Fine-tunning
+LPR模型的训练程序是train.py，初次训练模型使用以下命令：
+'''
+python train.py \
+    --train_img_dirs 训练集文件夹路径 \
+    --test_img_dirs 验证集文件夹路径
+'''
+Fine-tunning使用以下命令：
+'''
+python train.py \
+    --train_img_dirs 训练集文件夹路径 \
+    --test_img_dirs 验证集文件夹路径 \
+    --pretrained_model 预训练模型路径 \
+    --resume_epoch Fine-tuning训练的起始epoch \ #fine-tuning时只训练从起始epoch到最大epoch
+    --max_epoch 训练的最大epoch
+'''
+
+### 测试
+LPR模型用test.py对训练出的模型进行测试，使用方法如下：
+'''
+python test.py \
+    --model 需要测试的pth模型路径 \
+    --imgpath 测试集路径 # 单张图像或文件夹皆可
+
+    --export_onnx 该参数用于选择是否需要将pth模型转为onnx模型
+    --dynamic 该参数用于选择onnx模型是否使用动态的batch size
+'''
+
+### 推理
+我们分别提供了基于OnnxRuntime(ORT)和Migraphx的推理脚本
+
+#### ORT
+LPRNet_ORT_infer.py是基于ORT的的推理脚本，使用方法：
+'''
+python LPRNet_ORT_infer.py --model onnx模型路径 --imgpath 数据路径(文件夹图像皆可)
+'''
+
+#### Migraphx
+LPRNet_migraphx_infer.py是基于Migraphx的推理脚本，使用需安装好Migraphx，支持onnx模型和mxr模型推理，mxr模型是migraphx将onnx模型保存成的离线推理引擎，初次使用onnx模型会保存对应的mxr模型。使用方法：
+'''
+python LPRNet_migraphx_infer.py --model mxr/onnx模型路径 --imgpath 数据路径(文件夹图像皆可) --savepath mxr模型的保存路径以及模型名称
+'''
 
-推理onnx模型：
-python LPRNet_ORT_infer.py
 ## 性能和准确率数据
+
 ## 参考
\ No newline at end of file