可选参数列表

以下列表可以通过--help查看

FLAG 支持脚本 用途 默认值 备注
-c ALL 指定配置文件 None 配置模块说明请参考 参数介绍
-o ALL 设置配置文件里的参数内容 None 使用-o配置相较于-c选择的配置文件具有更高的优先级。例如：-o Global.use_gpu=false

配置文件 Global 参数介绍

以 rec_chinese_lite_train.yml 为例

字段 用途 默认值 备注
algorithm 设置算法 与配置文件同步 选择模型，支持模型请参考简介
use_gpu 设置代码运行场所 true \
epoch_num 最大训练epoch数 3000 \
log_smooth_window 滑动窗口大小 20 \
print_batch_step 设置打印log间隔 10 \
save_model_dir 设置模型保存路径 output/{算法名称} \
save_epoch_step 设置模型保存间隔 3 \
eval_batch_step 设置模型评估间隔 2000 或 [1000, 2000] 2000 表示每2000次迭代评估一次，[1000， 2000]表示从1000次迭代开始，每2000次评估一次
train_batch_size_per_card 设置训练时单卡batch size 256 \
test_batch_size_per_card 设置评估时单卡batch size 256 \
image_shape 设置输入图片尺寸 [3, 32, 100] \
max_text_length 设置文本最大长度 25 \
character_type 设置字符类型 ch en/ch, en时将使用默认dict，ch时使用自定义dict
character_dict_path 设置字典路径 ./ppocr/utils/ic15_dict.txt \
loss_type 设置 loss 类型 ctc 支持两种loss： ctc / attention
distort 设置是否使用数据增强 false 设置为true时，将在训练时随机进行扰动，支持的扰动操作可阅读img_tools.py
use_space_char 设置是否识别空格 false 仅在 character_type=ch 时支持空格
average_window ModelAverage优化器中的窗口长度计算比例 0.15 目前仅应用与SRN
max_average_window 平均值计算窗口长度的最大值 15625 推荐设置为一轮训练中mini-batchs的数目
min_average_window 平均值计算窗口长度的最小值 10000 \
reader_yml 设置reader配置文件 ./configs/rec/rec_icdar15_reader.yml \
pretrain_weights 加载预训练模型路径 ./pretrain_models/CRNN/best_accuracy \
checkpoints 加载模型参数路径 None 用于中断后加载参数继续训练
save_inference_dir inference model 保存路径 None 用于保存inference model

配置文件 Reader 系列参数介绍

以 rec_chinese_reader.yml 为例

字段 用途 默认值 备注
reader_function 选择数据读取方式 ppocr.data.rec.dataset_traversal,SimpleReader 支持SimpleReader / LMDBReader 两种数据读取方式
num_workers 设置数据读取线程数 8 \
img_set_dir 数据集路径 ./train_data \
label_file_path 数据标签路径 ./train_data/rec_gt_train.txt \
infer_img 预测图像文件夹路径 ./infer_img \

配置文件 Optimizer 系列参数介绍

以 rec_icdar15_train.yml 为例

字段 用途 默认值 备注
function 选择优化器 pocr.optimizer,AdamDecay 目前只支持Adam方式
base_lr 设置初始学习率 0.0005 \
beta1 设置一阶矩估计的指数衰减率 0.9 \
beta2 设置二阶矩估计的指数衰减率 0.999 \
decay 是否使用decay \ \
function(decay) 设置decay方式 - 目前支持cosine_decay, cosine_decay_warmup与piecewise_decay
step_each_epoch 每个epoch包含多少次迭代, cosine_decay/cosine_decay_warmup时有效 20 计算方式：total_image_num / (batch_size_per_card * card_size)
total_epoch 总共迭代多少个epoch, cosine_decay/cosine_decay_warmup时有效 1000 与Global.epoch_num 一致
warmup_minibatch 线性warmup的迭代次数, cosine_decay_warmup时有效 1000 \
boundaries 学习率下降时的迭代次数间隔, piecewise_decay时有效 - 参数为列表形式
decay_rate 学习率衰减系数, piecewise_decay时有效 - \