OCR模型能微调吗？cv_resnet18_ocr-detection自定义训练教程

1. OCR文字检测也能个性化？这个模型真的可以“教”

你是不是也遇到过这种情况：用现成的OCR工具识别发票、证件或者特定排版的文档时，总是漏字、错检，甚至把图标当成文字框起来？别急，问题不在于你不会用，而在于通用模型没见过你这类“特殊场景”。

今天要聊的这个项目——cv_resnet18_ocr-detection，不只是一个拿来即用的文字检测工具，它最大的亮点是：支持自定义训练（微调）。也就是说，你可以用自己的数据“教”它认识你关心的文字样式，比如手写体、模糊截图、工业仪表盘上的数字，甚至是古籍排版。

这背后的技术逻辑其实很直接：预训练模型已经学会了“什么是文字区域”，但未必懂“你想要的是哪一类文字”。通过在特定数据上继续训练，就能让它更精准地适应你的业务场景。

本文将带你从零开始，完整走一遍cv_resnet18_ocr-detection 的微调全流程，包括数据准备、参数设置、训练执行和模型导出，确保你不仅能跑通，还能真正用起来。

2. WebUI界面概览：四大功能模块一目了然

这个项目的最大优势之一就是提供了图形化操作界面（WebUI），让非程序员也能轻松完成训练和部署。整个界面采用紫蓝渐变设计，简洁现代，主要分为四个Tab页：

Tab 页	功能说明
单图检测	上传一张图片，快速查看OCR检测效果
批量检测	一次处理多张图片，适合日常使用
训练微调	使用自己的数据集重新训练模型
ONNX 导出	将训练好的模型转为ONNX格式，便于跨平台部署

所有操作都不需要写代码，点点鼠标就能完成。特别适合企业内部做轻量级OCR定制化服务的团队，或者个人开发者想快速验证某个场景的可行性。

3. 微调前必看：数据集怎么准备？

3.1 数据结构要求

要想成功微调，第一步就是准备好符合规范的数据集。该项目采用的是ICDAR2015 标准格式，目录结构如下：

custom_data/ ├── train_list.txt # 训练集文件列表 ├── train_images/ # 存放训练图片 │ ├── img1.jpg │ └── img2.jpg ├── train_gts/ # 对应的标注文件 │ ├── img1.txt │ └── img2.txt ├── test_list.txt # 测试集列表 ├── test_images/ # 测试图片 └── test_gts/ # 测试标注

注意：训练和测试集建议按 8:2 或 7:3 划分，避免过拟合。

3.2 标注文件格式详解

每个.txt标注文件中，每一行代表一个文本框，格式为：

x1,y1,x2,y2,x3,y3,x4,y4,文本内容

例如：

100,200,300,200,300,250,100,250,华航数码专营店

这是个四点坐标标注，表示一个矩形文本区域。即使你不知道具体文字内容，也可以只标位置（内容可填任意占位符，如xxx），因为该模型目前主要用于检测而非识别。

3.3 列表文件怎么写

train_list.txt和test_list.txt记录的是图片与标注的对应关系，每行一条：

train_images/img1.jpg train_gts/img1.txt train_images/img2.jpg train_gts/img2.txt

路径是相对于数据根目录的相对路径，不要写绝对路径。

4. 开始训练：三步完成模型微调

4.1 启动WebUI并进入训练页面

首先确保服务已启动：

cd /root/cv_resnet18_ocr-detection bash start_app.sh

浏览器访问http://服务器IP:7860，切换到“训练微调”Tab。

4.2 填写训练参数

参数	说明	推荐值
训练数据目录	指向你的`custom_data`路径	`/root/custom_data`
Batch Size	每次送入模型的图片数量	8（显存不足可降为4）
训练轮数（Epochs）	整个数据集训练几遍	5~10
学习率（Learning Rate）	模型更新权重的速度	0.007（默认即可）

这些参数不需要一开始就调到最优。对于新手来说，先用默认值跑通一轮，观察结果再优化更稳妥。

4.3 点击“开始训练”

点击按钮后，界面会显示训练状态：

“等待开始训练…” → “正在训练 Epoch 1/5” → “训练完成！”
如果失败，会提示错误信息，比如路径不存在、标注格式错误等

训练过程中，日志会保存在workdirs/目录下，包含 loss 曲线、验证精度等关键指标。

5. 训练完成后做什么？

5.1 模型输出在哪里？

训练结束后，系统会自动保存以下内容到workdirs/下的时间戳文件夹中：

best_model.pth：最佳权重文件
latest_model.pth：最后一轮的权重
log.txt：训练过程日志
eval_results.json：在测试集上的评估结果

你可以把这个路径记下来，后续用于加载自定义模型或导出ONNX。

5.2 如何验证微调效果？

回到“单图检测”页面，上传几张属于你训练集类型的图片，调整检测阈值（建议从0.2开始试），观察是否比原来检测得更准。

重点关注：

是否漏检少了？
是否误检图标、边框等情况改善了？
小字体、倾斜文字能否被捕捉？

如果效果还不理想，可以从以下几个方向优化：

增加相似样本的数量
扩大训练轮数（但注意别过拟合）
调整学习率（过高容易震荡，过低收敛慢）

6. ONNX导出：让模型走出实验室

训练好的模型如果只能在本地运行，实用性就大打折扣。好在这个项目支持一键导出为ONNX 格式，方便集成到各种生产环境。

6.1 导出步骤

进入“ONNX 导出”Tab
设置输入尺寸（高度 × 宽度），常见选项：
- 640×640：速度快，适合移动端
- 800×800：平衡精度与速度（推荐）
- 1024×1024：高精度，适合复杂场景
点击“导出 ONNX”按钮
等待提示“导出成功”，然后点击“下载 ONNX 模型”

导出后的模型可以直接用于 C++、Java、Android、iOS 或嵌入式设备中的推理引擎（如 ONNX Runtime、TensorRT）。

6.2 Python加载示例

import onnxruntime as ort import cv2 import numpy as np # 加载ONNX模型 session = ort.InferenceSession("model_800x800.onnx") # 读取并预处理图像 image = cv2.imread("test.jpg") input_blob = cv2.resize(image, (800, 800)) input_blob = input_blob.transpose(2, 0, 1)[np.newaxis, ...].astype(np.float32) / 255.0 # 推理 outputs = session.run(None, {"input": input_blob})

这段代码可以在没有PyTorch环境的服务器上运行，极大提升了部署灵活性。