该项目基于PPOCRLabel半自动化标注工具，使用Python和PyQt5编写，支持多种语言模型，可实现OCR数据高效标注。项目通过代码生成身份证数据集，利用PPOCRLabel标注后用于OCR模型训练，还提供了配置好的环境及相关资料，鼓励用户加入SIG小组共同开发。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
项目简介
本项目基于PPOCRLabel标注工具，PPOCRLabel是一款适用于OCR领域的半自动化图形标注工具，内置PPOCR模型对数据自动标注和重新识别，使用python3和pyqt5编写，支持矩形框标注和四点标注模式(多点标注我已经提交了PR，等待那边审核)，导出格式可直接用于PPOCR检测和识别模型的训练。通过内置高质量的PPOCR中，英，法，日文等超轻量预训练模型，可以实现OCR数据的高效标注。CPU机器运行也是完全没问题的。
******** 标注环境 ******** 系统 : Windows + Anaconda 解释器环境 : 安装Anaconda，(Python 3+)
按官方文档执行完以下命令
conda install pyqt=5
cd ./PPOCRLabel # 将目录切换到PPOCRLabel文件夹下
pyrcc5 -o libs/resources.py resources.qrc
python PPOCRLabel.py
SIG兴趣小组
SIG队伍：如果您对以上内容感兴趣或对完善工具有不一样的想法，欢迎加入我们的SIG队伍与我们共同开发。可以在此处完成问卷和前置任务，经过我们确认相关内容后即可正式加入，享受SIG福利，共同为OCR开源事业贡献（特别说明：针对PPOCRLabel的改进也属于PaddleOCR前置任务） 还会有各种精美百度定制小礼品，期待你的加入！
关于本项目
本项目基于自己生成身份证数据集代码及其使用PPOCRLabel标注工具来自制数据集，完成全流OCR光学字符识别的从零开始到模型使用。对项目还存在的改进空间，希望大家多交流观点、介绍经验，共同学习进步,可以互相关注♥。个人主页
相关资料
已标注完毕身份证数据集链接
数据增广工具Style Text 这里就不多叙述了，在你的数据集不够的情况下可以使用数据增广工具Style Text. 可以参考这个项目 StyleText数据合成工具
基于OCR身份证号码识别全流程 已经训练完,正在完善MD笔记
PPOCRLabel半自动标注工具的环境配置比较麻烦,所以这里作者把已经配置好的环境放在百度云盘里面,直接免费提供。点我直接下载
1、代码制作身份证数据集
#导入所需要的包from PIL import Image, ImageDraw, ImageFontimport numpy as npimport cv2import random
1.1 存放所需属性Person抽象类
class Person(object):
def __init__(self, name, sex, national,
years, month, day, address,
id_card):
self.name=str(name),
self.sex=str(sex),
self.national=str(national),
self.years=str(years),
self.month=str(month),
self.day=str(day),
self.address=str(address),
self.id_card=str(id_card)
1.2 定义生成姓名, 性别, 民族, 出生年月, 户籍地址, 身份证ID的函数
def GBK2312():
"""
功能 : 随机生成一个汉字
"""
head = random.randint(0xb0, 0xf7)
body = random.randint(0xa1, 0xf9) # 在head区号为55的那一块最后5个汉字是乱码,为了方便缩减下范围
val = f'{head:x}{body:x}'
st = bytes.fromhex(val).decode('gb2312') return stdef first_name():
"""
功能 : 随机取姓氏字典
"""
first_name_list = [ '赵', '钱', '孙', '李', '周', '吴', '郑', '王', '冯', '陈', '褚', '卫', '蒋', '沈', '韩', '杨', '朱', '秦', '尤', '许', '何', '吕', '施', '张', '孔', '曹', '严', '华', '金', '魏', '陶', '姜', '戚', '谢', '邹', '喻', '柏', '水', '窦', '章', '云', '苏', '潘', '葛', '奚', '范', '彭', '郎', '鲁', '韦', '昌', '马', '苗', '凤', '花', '方', '俞', '任', '袁', '柳', '酆', '鲍', '史', '唐', '费', '廉', '岑', '薛', '雷', '贺', '倪', '汤', '滕', '殷', '罗', '毕', '郝', '邬', '安', '常', '乐', '于', '时', '傅', '皮', '卞', '齐', '康', '伍', '余', '元', '卜', '顾', '孟', '平', '黄', '和', '穆', '萧', '尹', '姚', '邵', '堪', '汪', '祁', '毛', '禹', '狄', '米', '贝', '明', '臧', '计', '伏', '成', '戴', '谈', '宋', '茅', '庞', '熊', '纪', '舒', '屈', '项', '祝', '董', '梁', '魏']
n = random.randint(0, len(first_name_list) - 1)
f_name = first_name_list[n] return f_namedef second_name():
"""
功能 : 随机取数组中字符，取到空字符则没有second_name
"""
second_name_list = [GBK2312(), '']
n = random.randint(0, 1)
s_name = second_name_list[n] return s_namedef last_name():
"""
功能 : 随机生成名字最后一位字
"""
return GBK2312()def create_name():
"""
功能 : 随机生成名字
"""
name = first_name() + second_name() + last_name() return namedef sex_word():
"""
功能 : 随机生成性别
"""
nums = random.randint(0,3)
sex_list = [ '男', '女', '机器人', '未知']
return sex_list[nums]def address_name():
"""
功能 : 随机生成省份
"""
first_name_list = [ '黑龙江省哈尔滨', '吉林省长春', '辽宁省沈阳', '河北省石家庄', '山西省太原', '青海省西宁', '山东省济南', '河南省郑州', '江苏省南京', '安徽省合肥', '浙江省杭州', '福建省福州', '江西省南昌', '湖南省长沙', '湖北省武汉', '广东省广州', '台湾省台北', '海南省海口', '甘肃省兰州']
n = random.randint(0, len(first_name_list) - 1)
address_name = first_name_list[n] return address_namedef random_id_card():
"""
功能 : 随机生成18位身份证ID
"""
num_str = ''
_rand = random.randint(0, 100) for i in range(17): #
# num_str=str(random.randint(0, 9)).zfill(17)
num_str = num_str + str(random.randint(0, 9)) if _rand >= 92:
num_str = num_str + 'X'
else:
num_str = num_str + str(random.randint(0, 9))
return num_strdef to_str(per):
"""
功能 : 将元祖转为str
"""
_str =''.join(per)
return _str
两种起名方式
import random
def Unicode(): name = ""
nums = random.randint(2,4) for n in range(nums):
val = random.randint(0x4e00, 0x9fbf) name = name + chr(val) return namename = Unicode()name
1.3 定义画板, 黑体等函数
# 定义写字函数def add_txt(image, size, draw_x, draw_y, txt):
# 字体字号
setFont = ImageFont.truetype('IDTemplate/simhei.ttf', size) # 定义画板
draw = ImageDraw.Draw(image) # 绘制
draw.text((draw_x, draw_y), txt, font=setFont, fill=(0, 0, 0)) return image
def make_fake_id_card(person):
ori_image = cv2.imread('./IDTemplate/IDCard{}.png'.format(random.randint(0,8)))
print('==ori_image.shape:', ori_image.shape)
ori_image = cv2.resize(ori_image, (0, 0), fx=0.4, fy=0.4) print('==resize ori_image.shape:', ori_image.shape)
# 向图片上写字
img = Image.fromarray(cv2.cvtColor(ori_image, cv2.COLOR_BGR2RGB))
img = add_txt(img, 19, 97, 58, to_str(person.name)) #字体 x坐标 y坐标
img = add_txt(img, 16, 97, 90, to_str(person.sex))
img = add_txt(img, 16, 190, 90, to_str(person.national))
img = add_txt(img, 16, 92, 118, to_str(person.years))
img = add_txt(img, 16, 162, 118, to_str(person.month))
img = add_txt(img, 16, 201, 118, to_str(person.day))
img = add_txt(img, 16, 94, 155, to_str(person.address))
img = add_txt(img, 16, 94, 176, '某某 666号')
img = add_txt(img, 18, 147, 239, to_str(person.id_card))
cv2.imwrite('./train_data/middleIMG/word.jpg', np.array(img)[..., ::-1])
def make_white_mask(person, nums):
# 生成一个空白的模板mask
ori_image = cv2.imread('./IDTemplate/IDCard{}.png'.format(random.randint(0,8)))
ori_image = cv2.resize(ori_image, (0, 0), fx=0.4, fy=0.4)
mask_image = np.ones_like(ori_image)
mask_image *= 255
print(mask_image.shape,' {}.jpg'.format(nums))
cv2.imwrite('./train_data/middleIMG/mask.jpg', mask_image)
# 往空白模板上写字(这里只能用PIL写，因为OpenCV写中文会乱码)
img = Image.fromarray(cv2.cvtColor(ori_image, cv2.COLOR_BGR2RGB))
img = add_txt(img, 19, 97, 58, to_str(person.name)) #字体 x坐标 y坐标
img = add_txt(img, 16, 97, 90, to_str(person.sex))
img = add_txt(img, 16, 190, 90, to_str(person.national))
img = add_txt(img, 16, 92, 118, to_str(person.years))
img = add_txt(img, 16, 162, 118, to_str(person.month))
img = add_txt(img, 16, 201, 118, to_str(person.day))
img = add_txt(img, 16, 94, 155, to_str(person.address))
img = add_txt(img, 16, 94, 176, '某某 666号--自制数据集')
img = add_txt(img, 18, 147, 239, to_str(person.id_card))
mask_image_txt = cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR)
cv2.imwrite('./train_data/middleIMG/mask_image_txt.jpg', mask_image_txt)
gray = cv2.cvtColor(mask_image_txt, cv2.COLOR_BGR2GRAY) # 高斯模糊，制造边缘模糊效果哦
gray_Gaussianblur = cv2.GaussianBlur(gray, (3, 3), 0)
# 使用阈值对图片进行二值化
th, res = cv2.threshold(gray_Gaussianblur, 200, 255, cv2.THRESH_BINARY)
res_inv = cv2.bitwise_not(res)
cv2.imwrite('./train_data/middleIMG/res_inv.jpg', res_inv)
# 写字的模板保留文字部分
img_bg = cv2.bitwise_and(mask_image_txt, mask_image_txt, mask=res_inv)
cv2.imwrite('./train_data/middleIMG/img_bg.jpg', img_bg) # 原图保留除文字的其他部分
img_fg = cv2.bitwise_and(ori_image, ori_image, mask=res)
cv2.imwrite('./train_data/middleIMG/img_fg.jpg', img_fg) # 将两张图直接进行相加，即可
final = cv2.add(img_bg, img_fg)
cv2.imwrite('./train_data/{}.jpg'.format(nums), final)
!mkdir -p train_data/middleIMG
if __name__ == '__main__': # make_fake_id_card()
for i in range(3200):
person = Person(name=create_name(), sex=sex_word(), national='汉',
years=str(random.randint(1970, 2020)), month=str(random.randint(1, 12)),
day=str(random.randint(1, 28)), address=address_name(), id_card=random_id_card())
make_white_mask(person, str(i).zfill(4))
1.4 自制数据集各个文件展示
二值化：train_data/middleIMG/res_inv.jpg
写字的模板保留文字部分：train_data/middleIMG/img_bg.jpg
原图保留除文字的其他部分：train_data/middleIMG/img_fg.jpg
最终效果 :
原图和写字的两张图直接进行相加：train_data/0000.jpg
1.5 存储自制数据集，准备放入PPOCRLabel自行标注
#解压zip !zip -q -r train_data.zip train_data/
2、PPOCRLabel半自动标注工具
2.1 解压标注工具在本地
git clone https://github.com.cnpmjs.org/paddlepaddle/PaddleOCR.git
2.2 PyCharm 打开项目 （用别的工具也可以）
PPOCRLabel半自动标注工具的环境配置比较麻烦,所以这里作者把已经配置好的环境放在百度云盘里面,直接免费提供。点我直接下载
2.3 环境配置
第一步 : 要有Anaconda Navigator (Anaconda3) ,推荐去官网下载，下载完！ 打开文件夹环境所在位置，例如我的环境是(D:\Anaconda3\envs)
下载完百度云盘的LabelImg.zip文件之后，解压到自己的 Anaconda3\envs 文件夹下。完整目录就是 D:\Anaconda3\envs\LabelImg 。
运行环境百度云链接与提取码---->链接：https://pan.baidu.com/s/1zYrmVkwkL69mziO_wnUNDg 提取码：6666
示例如下图所示：
第二步 : 接下来图文操作, Ctrl + Alt + S 打开设置
第三步 : 在pycharm终端运行更新资源指令: pyrcc5 -o libs/resources.py resources.qrc
最后一步 : 运行即可 PaddleOCR\PPOCRLabel\PPOCRLabel.py 运行PPOCRLabel.py
开始会下载已经训练好的模型权重,如下图 :
运行成功截图 :
3、使用PPOCRLabel标注工具标注
3.1 选择好我们生成的train_data数据集文件
3.2 点标注或者四点矩形框标注
用过标注工具的同学,应该都知道怎么标注了。 按 W 是四点矩形框标注 ，按 Q 是点标注，我已经在SIG小组实现四点及其以上的标注框，欢迎大家参加SIG小组，为开源做贡献
3.3 切换对应模型重识别，更高效的自动标注
PPOCRLabel人性化的推出了各个常见语言的训练模型，
如下图 ：
1.中文与英文模型权重
2.英文模型权重
3.法语模型权重
4.德语模型权重
5.韩文模型权重
6.日文模型权重
3.4 生成给Det的标注文件分别为如下三个
Cache.cach ： 标注的缓存文件
fileState.txt ： 标注的每个图片的状态文件 1 则是确认标注 0 则是未确认
Label.txt ： 训练Det所需要的训练文件，数据集格式属于:SimpleDataSet
3.5 如何生成给Rec的标注文件
打开菜单点击导出rec识别的label即可，如右图文所示 : 
导出结果会生成一个截出框的图片文件夹，以及对应的rec标签
