此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 类
  • OCRCTCHead
Claude CodeCodexCursor
Luxonis 智能体工具包为你常用的编程智能体加载 Luxonis 上下文与技能,更快地基于 OAK 开发应用。
安装工具包

ocr_ctc_head

最后更新
Python API: luxonis_train.nodes.heads.ocr_ctc_headOCR 头,用于预测 CTC 的每个序列步骤的字符类别分数。

类

OCRCTCHead

OCR CTC 序列分类头。
  • 输入::
    • inputs (Tensor): [B, C, 1, T]
  • 输出::
    • 训练、评估:
      • ocr (Tensor): [B, T, nclasses] logits,类别 0 为空白
    • 导出:
      • ocr (Tensor): [B, T, nclasses] softmax 概率
  • 变体:: 无。通过 params 配置节点。

方法

init
Python
1def __init__(alphabet: list[str], ignore_unknown: bool = True, mid_channels: int | None = None, return_feats: bool = False, **kwargs):
构建编码器、解码器和线性层。参数
  • alphabet (list[str]): 头预测的字符。编码器对其进行排序,并将空白类放在它们之前。每个字符只能出现一次。
  • ignore_unknown (bool): 编码器是否删除 alphabet 中不存在的标签字符。如果为 False,编码器将字符映射到额外的类别 "<UNK>",因此头会预测多一个类别。
  • mid_channels (int | None): 两个线性层之间的隐藏特征数量。None 表示从 in_channels 到 out_channels 的一个线性层。
  • return_feats (bool): 头将值存储在 return_feats 属性中。forward 不读取它,因此该值无效。
  • **kwargs: BaseNode 的关键字参数。它们必须包含 input_shapes 或 in_sizes。
引发
  • ValueError: 当 alphabet 包含重复字符时。
forward
Python
1def forward(x: Tensor) -> Tensor:
计算序列每个步骤的类别分数。该方法移除高度轴并将宽度轴移动到通道轴之前。特征图的每一列都是一个步骤。线性层将每个步骤的 C 通道映射到类别 logits。在导出模式下,该方法对类别应用 softmax。参数
  • x (Tensor): 形状为 [B, C, 1, T] 的特征图。如果高度不是 1,permute 会引发 RuntimeError。
返回
  • Tensor: 形状为 [B, T, out_channels] 的 logits。在导出模式下,相同形状的 softmax 概率。BaseNode.run 将结果放在 "ocr" 键下。
get_custom_head_config
Python
1def get_custom_head_config(self) -> Params:
返回头的 NN Archive 元数据。BaseHead.get_head_config 将结果合并到元数据中。结果的 "classes" 和 "n_classes" 键替换数据集中的值。BaseHead.get_head_config 仍然首先读取数据集的类名,因此它需要 dataset_metadata。返回
  • Params: 包含这些键的字典。
    • "classes" 包含 encoder 的字母表,空白 "" 在最前面。
    • "n_classes" 包含 out_channels。
    • "is_softmax" 为 True,因为导出的模型应用了 softmax。
    • "concatenate_classes" 为 True。
    • "ignored_indexes" 为 [0],即空白的索引。
    • "remove_duplicates" 为 True。
initialize_weights
Python
1def initialize_weights(method: str | None = None):
初始化线性层。该方法首先使用 method 调用 BaseNode.initialize_weights。然后,它从 [ − 1 ⁄ √(nin), 1 ⁄ √(nin)] 上的均匀分布中抽取每个 torch.nn.Linear 的权重和偏置。nin 是层的输入特征数量。这些是 PyTorch 默认初始化 torch.nn.Linear 的边界。参数
  • method (str | None): BaseNode.initialize_weights 的方法。使用 mid_channels 时,"yolo" 使线性层之间的 ReLU 就地运行。其他值不会改变任何东西。

属性

block
decoder
将预测转换为文本的解码器。它应用 softmax 并获取每个步骤中最可能的类别。它删除空白类别 0 和每个重复前一个类别的类别。对于每个序列,它返回文本和保留字符的平均概率。对于空文本,平均值为 NaN。OCRVisualizer 和 BaseHead.annotate 使用它。
encoder
将文本标签转换为类别索引的编码器。CTCLoss 和 OCRAccuracy 使用它。它的字母表以索引 0 处的空白 "" 开头。alphabet 的排序唯一字符紧随其后。如果 ignore_unknown 为 False,则 "<UNK>" 是最后一个条目。
export_output_names
导出模型中输出的名称。该值始终为 ["output_ocr_ctc"]。该属性忽略 export_output_names 参数。
in_channels
附加输入的通道数。它是 in_sizes 倒数第三个维度,因此带或不带批处理维度的形状会给出相同的值。大小列表给出通道计数列表。引发
  • RuntimeError: 当 in_sizes 找不到输入大小时。
  • ValueError: 当 attach_index 不适合大小时。
out_channels
头预测的类别数。它是 encoder 字母表的长度: 空白、alphabet 的唯一字符,以及当 ignore_unknown 为 False 时的 "<UNK>"。
parser