![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/98ae8586daf4bc65df227ec5f109b592.png)
crnn的水表刻度识别
数据集包含1类别
收集整理标注好的数据共1500张
包含yolo格式数据集+ppocr识别格式数据集+训练好的模型
支持数据转换voc![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/f9e79f79b7ed7da539649c92baee634d.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/1828613618df284ca8712a8b1f348342.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/8ce7d94b65e58dcae180963134f43c6e.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/25f7e78c4fc795761b8c79cc45b883ed.png)
如何使用CRNN（Convolutional Recurrent Neural Network）进行水表刻度识别的数据集训练。我们将使用YOLO格式的数据集来进行目标检测，并结合PP-OCR进行文字识别。
### 使用 CRNN 进行水表刻度识别

#### 数据集信息

- **类别**: 1类 (water_meter)
- **图片数量**: 共1500张
- **标注格式**:- YOLO 格式 (txt) 用于目标检测
	- PP-OCR 格式 (json) 用于文字识别
- **分辨率**: 假设为统一的分辨率（例如 640x640）

#### 步骤概述

1. **数据集准备**
2. **创建数据集配置文件 (`data.yaml`)**
3. **分割数据集**
4. **训练目标检测模型 (YOLOv8)**
5. **评估目标检测模型**
6. **可视化目标检测结果**
7. **清理临时文件**
8. **推理和显示目标检测结果**
9. **训练文字识别模型 (CRNN)**
10. **评估文字识别模型**
11. **推理和显示文字识别结果**

#### 详细步骤

1. 数据集准备

确保你的数据集已经按照上述格式准备好，并且包含 `images`, `labels` 和 `ocr_labels` 目录。
```
water_meter_recognition/
├── datasets/
│   └── water_meter_dataset/
│       ├── images/
│       │   ├── image1.jpg
│       │   ├── image2.jpg
│       │   └── ...
│       ├── labels/
│       │   ├── image1.txt
│       │   ├── image2.txt
│       │   └── ...
│       └── ocr_labels/
│           ├── image1.json
│           ├── image2.json
│           └── ...
└── main.py
```
 2. 创建数据集配置文件 (`data.yaml`)

创建一个 `data.yaml` 文件来配置数据集路径和类别信息。
```
train: ./datasets/water_meter_dataset/train/images
val: ./datasets/water_meter_dataset/val/images

nc: 1  # 类别数量
names: ['water_meter']
```
 3. 分割数据集

将数据集分割成训练集和验证集。
```
import os
import random
from pathlib import Path
import shutil

def split_dataset(data_dir, train_ratio=0.8):
    images = list(Path(data_dir).glob('*.jpg'))
    random.shuffle(images)
    
    num_train = int(len(images) * train_ratio)
    train_images = images[:num_train]
    val_images = images[num_train:]
    
    train_dir = Path(data_dir).parent / 'train'
    val_dir = Path(data_dir).parent / 'val'
    
    train_img_dir = train_dir / 'images'
    train_label_dir = train_dir / 'labels'
    train_ocr_label_dir = train_dir / 'ocr_labels'
    
    val_img_dir = val_dir / 'images'
    val_label_dir = val_dir / 'labels'
    val_ocr_label_dir = val_dir / 'ocr_labels'
    
    train_img_dir.mkdir(parents=True, exist_ok=True)
    train_label_dir.mkdir(parents=True, exist_ok=True)
    train_ocr_label_dir.mkdir(parents=True, exist_ok=True)
    
    val_img_dir.mkdir(parents=True, exist_ok=True)
    val_label_dir.mkdir(parents=True, exist_ok=True)
    val_ocr_label_dir.mkdir(parents=True, exist_ok=True)
    
    for img in train_images:
        label_path = img.with_suffix('.txt')
        ocr_label_path = img.with_name(img.stem + '.json')
        shutil.copy(img, train_img_dir / img.name)
        shutil.copy(label_path, train_label_dir / label_path.name)
        shutil.copy(ocr_label_path, train_ocr_label_dir / ocr_label_path.name)
    
    for img in val_images:
        label_path = img.with_suffix('.txt')
        ocr_label_path = img.with_name(img.stem + '.json')
        shutil.copy(img, val_img_dir / img.name)
        shutil.copy(label_path, val_label_dir / label_path.name)
        shutil.copy(ocr_label_path, val_ocr_label_dir / ocr_label_path.name)

# 使用示例
split_dataset('./datasets/water_meter_dataset/images')
```
4. 训练目标检测模型 (YOLOv8)

使用YOLOv8进行目标检测训练。
```
import torch
from ultralytics import YOLO

# 设置随机种子以保证可重复性
torch.manual_seed(42)

# 定义数据集路径
dataset_config = 'data.yaml'

# 加载预训练的YOLOv8n模型
model = YOLO('yolov8n.pt')

# 训练模型
results = model.train(
    data=dataset_config,
    epochs=100,
    imgsz=640,
    batch=16,
    name='water_meter_detection',
    project='runs/detect'
)

# 评估模型
metrics = model.val()

# 保存最佳模型权重
best_model_weights = 'runs/detect/water_meter_detection/weights/best.pt'
print(f"Best model weights saved to {best_model_weights}")
```
 5. 可视化目标检测结果

可视化目标检测结果。
```
from ultralytics import YOLO

# 加载训练好的模型
model = YOLO(best_model_weights)

# 可视化训练结果
model.plot_results(save=True, save_dir='runs/detect/water_meter_detection')
```
 6. 清理临时文件

清理不必要的临时文件。
```
import shutil

def clean_temp_files(project_dir):
    temp_dirs = [
        f'{project_dir}/wandb',
        f'{project_dir}/cache'
    ]
    
    for dir_path in temp_dirs:
        if os.path.exists(dir_path):
            shutil.rmtree(dir_path)
            print(f"Removed directory: {dir_path}")

# 使用示例
clean_temp_files('runs/detect/water_meter_detection')
```
7. 推理和显示目标检测结果

推理和显示目标检测结果。
```
from ultralytics import YOLO
import cv2
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

# 7.1 检测单张图片
def detect_image(model, image_path, conf_threshold=0.5):
    results = model.predict(image_path, conf=conf_threshold)[0]
    annotated_frame = annotate_image(image_path, results, model)
    return annotated_frame

def annotate_image(image_path, results, model):
    frame = cv2.imread(image_path)
    for result in results.boxes.cpu().numpy():
        r = result.xyxy[0].astype(int)
        cls = int(result.cls[0])
        conf = result.conf[0]
        
        label = f"{model.names[cls]} {conf:.2f}"
        color = (0, 255, 0)
        cv2.rectangle(frame, (r[0], r[1]), (r[2], r[3]), color, 2)
        cv2.putText(frame, label, (r[0], r[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2)
    return frame

# 主函数
def main_detection():
    # 加载模型
    model = YOLO(best_model_weights)
    
    # 测试图片路径
    test_image_path = './datasets/water_meter_dataset/images/test_image.jpg'
    annotated_image = detect_image(model, test_image_path, conf_threshold=0.5)
    cv2.imwrite('annotated_test_image.jpg', annotated_image)
    plt.imshow(cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB))
    plt.axis('off')
    plt.show()
    
    # 统计检测到的物体数量
    results = model.predict(test_image_path, conf=0.5)[0]
    class_counts = {}
    for result in results.boxes.cpu().numpy():
        cls = int(result.cls[0])
        class_name = model.names[cls]
        if class_name in class_counts:
            class_counts[class_name] += 1
        else:
            class_counts[class_name] = 1
    
    print("Detection Summary:")
    for class_name, count in class_counts.items():
        print(f"{class_name}: {count}")

if __name__ == "__main__":
    main_detection()
```
8. 训练文字识别模型 (CRNN)

使用CRNN进行文字识别训练。这里我们假设你已经有了预处理好的数据集和训练脚本。
```
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision.transforms import transforms
from torch.utils.data import DataLoader, Dataset
import json
import cv2
import numpy as np
from collections import Counter

# 自定义Dataset类
class WaterMeterDataset(Dataset):
    def __init__(self, root_dir, transform=None):
        self.root_dir = root_dir
        self.transform = transform
        self.images = sorted(os.listdir(os.path.join(root_dir, 'images')))
        self.labels = sorted(os.listdir(os.path.join(root_dir, 'ocr_labels')))
    
    def __len__(self):
        return len(self.images)
    
    def __getitem__(self, idx):
        img_name = os.path.join(self.root_dir, 'images', self.images[idx])
        label_name = os.path.join(self.root_dir, 'ocr_labels', self.labels[idx])
        
        image = cv2.imread(img_name)
        image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
        image = np.expand_dims(image, axis=-1)
        image = image.astype(np.float32) / 255.0
        
        with open(label_name, 'r') as f:
            label_data = json.load(f)
            text = label_data['text']
        
        if self.transform:
            image = self.transform(image)
        
        return image, text

# CRNN模型定义
class CRNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size, num_layers):
        super(CRNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        self.pool1 = nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2))
        self.conv2 = nn.Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        self.pool2 = nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2))
        self.rnn = nn.LSTM(input_size, hidden_size, num_layers, bidirectional=True)
        self.fc = nn.Linear(hidden_size * 2, output_size)
    
    def forward(self, x):
        x = self.pool1(torch.relu(self.conv1(x)))
        x = self.pool2(torch.relu(self.conv2(x)))
        x = x.squeeze(2).permute(2, 0, 1)  # (seq_len, batch_size, feature_dim)
        out, _ = self.rnn(x)
        out = self.fc(out[-1])  # Take the last time step's output
        return out

# 参数设置
input_size = 160  # Feature dimension after convolution and pooling
hidden_size = 128
output_size = 10  # Assuming digits 0-9
num_layers = 2
batch_size = 16
learning_rate = 0.001
num_epochs = 10

# 数据加载
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Resize((64, 160))
])

train_dataset = WaterMeterDataset(root_dir='./datasets/water_meter_dataset/train', transform=transform)
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)

val_dataset = WaterMeterDataset(root_dir='./datasets/water_meter_dataset/val', transform=transform)
val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=False)

# 模型初始化
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = CRNN(input_size, hidden_size, output_size, num_layers).to(device)

# 损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    model.train()
    running_loss = 0.0
    for i, (inputs, texts) in enumerate(train_loader):
        inputs = inputs.to(device)
        targets = [int(text) for text in texts]  # Convert text to integer labels
        targets = torch.tensor(targets).to(device)
        
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        loss.backward()
        optimizer.step()
        
        running_loss += loss.item()
    
    print(f"Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}")

# 保存模型
torch.save(model.state_dict(), 'crnn_water_meter.pth')
```
 9. 评估文字识别模型

评估文字识别模型。
```
# 评估模型
model.eval()
correct = 0
total = 0

with torch.no_grad():
    for inputs, texts in val_loader:
        inputs = inputs.to(device)
        targets = [int(text) for text in texts]  # Convert text to integer labels
        targets = torch.tensor(targets).to(device)
        
        outputs = model(inputs)
        _, predicted = torch.max(outputs.data, 1)
        total += targets.size(0)
        correct += (predicted == targets).sum().item()

accuracy = 100 * correct / total
print(f"Validation Accuracy: {accuracy:.2f}%")
```
10. 推理和显示文字识别结果

推理和显示文字识别结果。
```
from PIL import ImageDraw, ImageFont

# 文字识别主函数
def recognize_text(model, image_path):
    image = cv2.imread(image_path)
    image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    image_resized = cv2.resize(image_gray, (160, 64))
    image_tensor = transform(image_resized).unsqueeze(0).to(device)
    
    model.eval()
    with torch.no_grad():
        outputs = model(image_tensor)
        _, predicted = torch.max(outputs.data, 1)
    
    return str(predicted.item())

# 显示识别结果
def display_result(image_path):
    recognized_text = recognize_text(model, image_path)
    image = Image.open(image_path)
    draw = ImageDraw.Draw(image)
    font = ImageFont.load_default()
    draw.text((10, 10), f"Recognized Text: {recognized_text}", font=font, fill=(255, 0, 0))
    image.show()

# 主函数
def main_recognition():
    # 测试图片路径
    test_image_path = './datasets/water_meter_dataset/images/test_image.jpg'
    display_result(test_image_path)

if __name__ == "__main__":
    main_recognition()
```
#### 运行脚本

在终端中运行以下命令来执行整个流程：
```
python main.py
```
### 总结

以上文档包含了从数据集准备、目标检测模型训练与评估、文字识别模型训练与评估、可视化结果到推理和显示结果的所有步骤。希望这些详细的信息和代码能够帮助你顺利实施和优化你的水表刻度识别系统。
这段代码涵盖了从数据集准备、目标检测模型训练与评估、文字识别模型训练与评估、可视化结果到推理和显示结果的所有步骤。你可以根据需要调整参数和路径。

crnn的水表刻度识别数据集包含1类别收集整理标注好的数据共1500张包含yolo格式数据集+ppocr识别格式数据集+训练好的模型支持数据转换voc如何使用CRNN（Convolutional Recurrent Neural Network）进行水表刻度识别的数据集训练。我们将使用YOLO格式的数据集来进行目标检测，并结合PP-OCR进行文字识别。

如何使用CRNN进行水表刻度识别的数据集训练。共1500张 包含yolo格式数据集+ppocr识别格式数据集 (1)

编程语言

CRNN水表刻度识别数据集包含1500张标注图片，支持YOLO目标检测和PP-OCR文字识别格式。提供完整训练流程：从数据分割、YOLOv8模型训练到CRNN文字识别，包含评估和可视化功能。数据集已标注为1类别（water_meter），可直接用于工业场景下的水表读数识别任务。

文字识别

数据转换

代码解释

YOLO

2026上云采购 | AI焕新·智启新局

datainlong

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

如何使用CRNN进行水表刻度识别的数据集训练。共1500张 包含yolo格式数据集+ppocr识别格式数据集 (1)-腾讯云开发者社区-腾讯云

如何使用CRNN进行水表刻度识别的数据集训练。共1500张包含yolo格式数据集+ppocr识别格式数据集 (1)

如何使用CRNN进行水表刻度识别的数据集训练。共1500张包含yolo格式数据集+ppocr识别格式数据集 (1)

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

如何使用CRNN进行水表刻度识别的数据集训练。共1500张 包含yolo格式数据集+ppocr识别格式数据集 (1)

如何使用CRNN进行水表刻度识别的数据集训练。共1500张 包含yolo格式数据集+ppocr识别格式数据集 (1)

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

如何使用CRNN进行水表刻度识别的数据集训练。共1500张包含yolo格式数据集+ppocr识别格式数据集 (1)

如何使用CRNN进行水表刻度识别的数据集训练。共1500张包含yolo格式数据集+ppocr识别格式数据集 (1)