文本检测和一般目标检测的不同——文本线是一个sequence（字符、字符的一部分、多字符组成的一个sequence），而不是一般目标检测中只有一个独立的目标。这既是优势，也是难点。优势体现在同一文本线上不同字符可以互相利用上下文，可以用sequence的方法比如RNN来表示。难点体现在要检测出一个完整的文本线，同一文本线上不同字符可能差异大，距离远，要作为一个整体检测出来难度比单个目标更大——因此，作者认为预测文本的竖直位置（文本bounding box的上下边界）比水平位置（文本bounding box的左右边界）更容易。
环境：
- pytorch最新版
- ubunt18.05
- opencv
- pillow
- numpy
前言
前期数据的准备，需要大家自己去爬取或者下载
GitHub上面很多，国外的网站有很多开源的；
提示：以下是本篇文章正文内容，下面案例可供参考
一、数据集准备
在这里我使用了600张图片来训练模型，由于数据集不是很好，模型的泛化能力较差（鲁棒性差），大家可以使用更多的数据来训练模型。
样本数据集
在这里大家爱还可以使用自己准备的数据集，来训练模型。
二、数据标签准备
在这里的标签就更简单了，大家可以使用labelimg标签工具来打标签，得到的XML文件可以提取其中的坐标信息；
在这里就需要注意的是，我们的每张图片的标签文件（xxxx.txt）必须是一张图一个标签文件，名字必须是一一对应
左上，右上，右下，左下，str
三、模型训练
链接：https://pan.baidu.com/s/14JiJvkpNkFnIrGmkPxOjRQ
提取码：8888
大家可以下载下来，目录结构就是大概这样，ctpn_train.py是训练文件，其他的文件都是配置文件。
大家吧config.py文件里面的数据 集路径配置好就行
四、文字检测（CTPN）完整代码
链接：https://pan.baidu.com/s/14JiJvkpNkFnIrGmkPxOjRQ
提取码：8888
五、结果展示
希望这篇文章对你有用！
谢谢点赞评论！