天池街景字符识别：基于YOLOv5的端到端实战方案解析

1. 从零开始：YOLOv5与天池街景字符识别的完美邂逅

第一次接触阿里天池街景字符识别比赛时，我完全没想到YOLOv5这个目标检测模型能在OCR任务上表现得如此出色。这个比赛的任务是识别街景图片中的多位数字符编码，传统OCR方案往往需要复杂的预处理和后处理，而YOLOv5居然可以直接端到端搞定，实测下来准确率能达到0.924，这让我这个常年折腾OCR的老手都感到惊喜。

为什么选择YOLOv5？三个字：快、准、省。相比传统OCR方案需要单独处理文字检测和识别两个阶段，YOLOv5能一次性输出字符位置和类别，部署起来特别方便。而且它的预训练模型在小样本场景下表现惊人，我用的还是GTX1050这种入门级显卡，训练100个epoch就能达到不错效果。如果你手头有更好的硬件，效果还能更上一层楼。

2. 环境搭建：避开那些新手必踩的坑

2.1 模型获取与依赖安装

直接从YOLOv5的GitHub仓库克隆最新代码是第一步，但这里有个小技巧：建议使用git clone而不是下载zip包，因为后续更新会更方便。安装依赖时最常见的坑就是pycocotools，特别是在Windows环境下。我试过最稳的解决方案是先用conda安装Cython和Visual Studio Build Tools，再用pip安装pycocotools。

git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

如果遇到权限问题，可以加上--user参数。记得检查CUDA和cuDNN版本是否匹配，这是影响训练速度的关键因素。我遇到过torch版本不兼容导致GPU无法使用的情况，这时候需要先卸载原有torch再安装指定版本：

pip uninstall torch torchvision pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html

2.2 数据集准备与解析

天池比赛提供的训练集包含3万张街景图片，每张图片都带有JSON格式的标注。YOLOv5需要的是txt格式的标注文件，每个文件对应一张图片，格式为"类别 x_center y_center width height"。我参考了论坛大佬的解析代码，但做了些优化：

def convert_annotation(json_path, img_dir, output_dir): os.makedirs(output_dir, exist_ok=True) with open(json_path) as f: data = json.load(f) for img_name in tqdm(data): img = cv2.imread(f"{img_dir}/{img_name}") h, w = img.shape[:2] labels = data[img_name]['label'] boxes = zip(data[img_name]['left'], data[img_name]['top'], data[img_name]['width'], data[img_name]['height']) with open(f"{output_dir}/{img_name.replace('.png', '.txt')}", 'w') as f_txt: for label, (l, t, bw, bh) in zip(labels, boxes): x_center = (l + bw/2) / w y_center = (t + bh/2) / h norm_w = bw / w norm_h = bh / h f_txt.write(f"{label} {x_center:.6f} {y_center:.6f} {norm_w:.6f} {norm_h:.6f}\n")

这个版本增加了进度条显示和浮点数精度控制，处理3万张图片大约需要15分钟。记得检查生成的txt文件是否与图片一一对应，这是后续训练能否成功的关键。

3. 模型配置：让YOLOv5适应字符识别任务

3.1 修改配置文件

YOLOv5默认配置是针对COCO数据集的80类目标检测，我们需要调整两个关键文件：

1. 模型配置文件（yolov5s.yaml）：

# 修改类别数 nc: 10 # 数字0-9 depth_multiple: 0.33 width_multiple: 0.50

2. 数据配置文件（street_yolo.yaml）：

train: ../tianchi/images/train val: ../tianchi/images/val nc: 10 names: ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']

这里有个细节容易忽略：YOLOv5默认使用相对路径，所以要注意文件路径的层级关系。我建议在yolov5目录下创建专门的tianchi文件夹存放所有比赛相关文件，结构如下：

yolov5/ ├── tianchi/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ ├── labels/ │ │ ├── train/ │ │ └── val/ │ ├── street_yolo.yaml │ └── street_yolov5s.yaml

3.2 数据增强策略

街景字符的特点是尺寸变化大、角度多样，适当的数据增强能显著提升模型鲁棒性。在data.yaml中可以配置：

# 在street_yolo.yaml中添加 augment: True hsv_h: 0.015 # 色相增强 hsv_s: 0.7 # 饱和度增强 hsv_v: 0.4 # 明度增强 degrees: 10 # 旋转角度 translate: 0.1 # 平移比例 scale: 0.5 # 缩放比例 shear: 2 # 剪切幅度

但要注意，过度增强反而会降低效果。比如字符识别任务不适合大角度旋转，因为数字"6"和"9"旋转后容易混淆。我测试发现degrees设置在5-15度之间效果最佳。

4. 训练技巧：从入门到精通的实战经验

4.1 基础训练命令

启动训练最简单的命令是：

python train.py --data tianchi/street_yolo.yaml --cfg tianchi/street_yolov5s.yaml --epochs 100 --batch-size 16

但这样直接跑效果可能不理想，有几个关键参数需要调整：

• --img-size：默认640x640，但街景字符通常较小，可以尝试缩小到416x416
• --batch-size：根据显存调整，GTX1050建议设为8-16
• --weights：加载预训练权重能加速收敛，使用yolov5s.pt

我的最佳实践组合是：

python train.py --data tianchi/street_yolo.yaml --cfg tianchi/street_yolov5s.yaml \ --weights yolov5s.pt --epochs 150 --batch-size 16 --img-size 416 \ --hyp data/hyps/hyp.scratch-low.yaml --optimizer AdamW --patience 10

4.2 训练过程监控

YOLOv5内置了TensorBoard支持，启动命令：

tensorboard --logdir runs/train

重点关注三个指标：

1. mAP@0.5：验证集上的平均精度，达到0.9以上说明模型不错
2. obj_loss：目标检测损失，应该稳步下降
3. cls_loss：分类损失，反映数字识别的准确度

如果发现过拟合（训练集指标持续提升但验证集停滞），可以：

• 增加--patience参数提前停止
• 使用--freeze参数冻结部分层
• 增大--dropout概率

5. 预测与提交：完整Pipeline实现

5.1 批量预测命令

预测测试集并保存结果：

python detect.py --weights runs/train/exp/weights/best.pt \ --source tianchi/images/test/ --save-txt --save-conf \ --imgsz 416 --conf-thres 0.5 --iou-thres 0.45

关键参数说明：

• --conf-thres：置信度阈值，过滤低质量预测
• --iou-thres：NMS的IoU阈值，防止重复检测
• --save-txt：保存预测结果为YOLO格式txt

5.2 结果格式转换

比赛要求提交CSV文件，需要将YOLO格式转换为比赛格式。我优化后的转换脚本如下：

def yolo_to_submission(label_dir, sample_csv, output_csv): df = pd.read_csv(sample_csv) pred_dict = {} for txt_path in glob.glob(f"{label_dir}/*.txt"): with open(txt_path) as f: lines = sorted(f.readlines(), key=lambda x: float(x.split()[1])) pred = ''.join([line.split()[0] for line in lines]) img_name = os.path.basename(txt_path).replace('.txt', '.png') pred_dict[img_name] = pred df['file_code'] = df['file_name'].map(pred_dict).fillna('') df.to_csv(output_csv, index=False)

这个版本增加了对空预测的处理（fillna('')），避免出现NaN值导致提交失败。转换后的CSR文件可以直接在天池平台提交。

6. 进阶优化：突破0.95分的技巧

6.1 模型集成策略

单个模型达到瓶颈后，可以尝试：

1. 多模型投票：训练yolov5s、yolov5m、yolov5l三个模型，对预测结果投票
2. TTA测试时增强：使用--augment参数启用翻转增强
3. 多尺度预测：组合不同--imgsz的预测结果

集成示例命令：

for model in yolov5s yolov5m yolov5l; do python detect.py --weights runs/train/${model}/weights/best.pt \ --source tianchi/images/test/ --save-txt --nosave \ --imgsz 416 640 --augment done

6.2 后处理优化

原始预测可能存在以下问题：

1. 重复检测同一字符
2. 漏检部分字符
3. 字符顺序错乱

改进的后处理方案：

def refine_predictions(txt_dir, conf_thresh=0.6, iou_thresh=0.3): for txt_path in glob.glob(f"{txt_dir}/*.txt"): with open(txt_path) as f: boxes = [] for line in f: cls, x, y, w, h, conf = map(float, line.split()) if conf > conf_thresh: boxes.append([x, cls, conf]) # 按x坐标排序确保字符顺序正确 boxes.sort(key=lambda b: b[0]) # NMS去除重叠检测 boxes = nms(boxes, iou_thresh) # 保存优化后的结果 with open(txt_path, 'w') as f: for x, cls, conf in boxes: f.write(f"{int(cls)} {x} 0.5 0.5 0.5 0.5 {conf}\n")

这个后处理能提升约1-2%的准确率，特别是在处理长数字串时效果明显。实际项目中我通过这套方案最终将准确率提升到了0.952，进入了当时比赛的前10%。