这个项目用于生成训练过程中的样本。

此项目参考了以下的开源项目：

• https://github.com/mdbloice/Augmentor
• https://github.com/wang-tf/Chinese_OCR_synthetic_data
• https://github.com/JarveeLee/SynthText_Chinese_version
• https://github.com/Belval/TextRecognitionDataGenerator.git
• https://github.com/Sanster/text_renderer

样本生成主要需要做一下工作：

• 加载资源，如（字体、背景图）
• 支持多进程，提高效率
• 各种策略来生成文字
• 各种策略来增强生成的图片

所以，实现的大抵思路也是如此：

1、先加载字体、背景、字符集、字库

2、生成一个串文本

3、画文本到背景上，并确定bbox

4、使用开源项目imgaug做增强

5、保存图片、标签、和bbox

目前，项目实现了两种样本的生成：

1、仅生成图片和对应的文字标签

2、生成图片和对应的文字标签，还要包含每个字的bbox信息

这种标注，对每个文件，仅提供其对应的字符串，不靠谱中文中的全角半角，需要程序自己进行转换。

标注文件只有一个，如train.txt。文件分为2列：文件路径、对应文字。

样例：

data/train/abc.jpg 你好，世界
data/train/bcd.jpg 毁灭吧，世界！累了~
......

这种样本，是标注了每个字符的轮廓的，每个字的轮廓采用4点标注。 第一行是样本对应的字符串，第2行至最后一行，是每个汉字的4点标注，和对应的汉字。

样例：

所有样例存放在一个文件夹里，每张图片有唯一的名字，而标注的文件名字一样，只是后缀为.txt。

图像文件名：abc.jpg

标注文件名：abc.txt

标注文件样例：

你好，世界                      <---- 第1行，标注结果
11,12,21,22,31,32,41,42 你     <---- 第2行-最后一行，标注每个文字的框
11,12,21,22,31,32,41,42 好
11,12,21,22,31,32,41,42 ，
11,12,21,22,31,32,41,42 世
11,12,21,22,31,32,41,42 界

运行bin/run.sh可以生成图像，格式如下：

bin/run.sh --dir output_dir --num number <--debug>

例子：run.sh data/output/ 1000 --debug

• dir：样本生成目录
• num：生成多个张
• debug：是否显示更多的运行信息

其他的运行细节，需要配置config.yml：

COMMON:
    WORKER : 3                  # 多少个进程同时生成图片
    TEXT_GENERATOR : random     # 随机生成:random, 语料生成:corpus
    SAVER : contour             # 保存轮廓的:contour, 只保存标签: text

核心配置如上。

运行前，需要先下载背景（各类白纸）和字体资源：

百度云盘下载 提取码: [f42h]

并放置到 data/目录下。