1. 赛题解析与YOLOv5方案选择
街景字符识别是计算机视觉领域的经典问题,这次天池竞赛的数据集来自真实场景的门牌号图片,包含训练集3万张、验证集1万张,测试集8万张。与MNIST等标准数据集不同,这些图片存在光照不均、角度倾斜、字符粘连等现实场景的挑战。最初我尝试用传统CNN方法,但发现对多字符检测效果不佳,最终选择YOLOv5方案有三大优势:
- 端到端检测识别:YOLOv5能同时完成字符定位和识别,省去传统方法中先检测后识别的两阶段流程
- 小目标检测强项:街景字符通常只占图片的5%-15%,YOLOv5的多尺度检测特性非常适合
- 训练效率高:相比Faster R-CNN等模型,YOLOv5在保持精度的同时速度更快
这里特别说明选择YOLOv5x版本的原因:虽然模型更大,但在测试中发现其对小字符的识别准确率比YOLOv5s高出7-9个百分点。实际训练时可以用以下代码快速加载预训练模型:
python复制model = torch.hub.load('ultralytics/yolov5', 'yolov5x', pretrained=True)
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据预处理实战技巧
官方提供的JSON标注需要转换为YOLO格式,这个环节我踩过两个坑:一是坐标归一化处理错误导致训练发散,二是多字符样本处理不当。这里分享经过验证的可靠处理方法:
2.1 JSON转YOLO格式完整代码
python复制import json
import cv2
from pathlib import Path
def convert_json_to_yolo(json_path, img_dir, output_dir):
with open(json_path) as f:
data = json.load(f)
for img_name, anno in data.items():
img_path = str(Path(img_dir)/img_name)
img = cv2.imread(img_path)
h, w = img.shape[:2]
txt_path = st
