tao-train-ocrnet

OCRNet

用于场景文本识别的 OCRNet。从裁剪后的文本区域图像中识别文本内容。支持 CTC 和基于注意力的解码器。

设置 train.pretrained_model_path 以指定预训练 OCR 权重。

对于 TAO Deploy TensorRT 操作（gen_trt_engine、TensorRT evaluate 和 TensorRT inference），请先阅读 references/tao-deploy-ocrnet.md。部署规范模板位于此技能的 references/ 文件夹中，文件名前缀为 spec_template_deploy_*.yaml。

数据类架构

生成的 TAO Core 架构打包在 schemas/<action>.schema.json 中，schemas/manifest.json 列出了可用操作。每个生成的架构还会根据架构顶层的 default 字段生成 references/spec_template_<action>.yaml。AutoML 是否启用通过 references/skill_info.yaml 模型层中的 automl_enabled 声明。要运行 AutoML，仍需存在并能解析 schemas/train.schema.json 和 references/spec_template_train.yaml。请使用打包的训练架构获取 automl_default_parameters、automl_disabled_parameters、默认值、最小值/最大值边界、枚举、选项权重、数学条件、依赖项和常用参数。不要假设运行时存在 ~/tao-core；维护者会在打包技能库之前重新生成架构/模板。

训练操作策略

此模型在模型层启用了 AutoML。处理任何训练阶段请求之前，请阅读 references/skill_info.yaml，并根据显式的 automl_policy 值或用户的工作流请求确定本次运行的策略。将“turn off AutoML”“disable AutoML”“no HPO”或“plain training”等表述视为仅对本次运行设置 automl_policy: off；否则默认为 auto。当 automl_policy: auto、automl_enabled: true，且已打包 schemas/train.schema.json 和 references/spec_template_train.yaml 时，默认通过 tao-skill-bank:tao-run-automl 执行训练操作，并使用此模型的 skill_dir。保留工作流/应用对数据集、规范、输出目录、GPU/平台设置、父检查点和 automl_policy 的覆盖设置。仅当 automl_policy: off 或缺少已打包的训练架构/模板时，才直接训练模型；如果缺少架构，请说明此模型已启用 AutoML，但在生成架构之前无法运行 AutoML。

evaluate、inference、export 和部署流程等非训练操作仍由此模型技能处理。每次运行的 automl_policy 覆盖设置不会更改模型元数据。

训练要求

• 数据集类型： ocrnet
• 格式： 默认
• 监控指标： val_acc

各操作的数据集要求

操作	规格键	来源	文件	列表？
dataset_convert	dataset_convert.input_img_dir	id		否
dataset_convert	dataset_convert.gt_file	id		否
evaluate	dataset.character_list_file	eval_dataset	character_list	否
evaluate	evaluate.test_dataset_dir	eval_dataset	results/{dataset_convert_job_id}/dataset_convert/lmdb	否
export	dataset.character_list_file	eval_dataset	character_list	否
gen_trt_engine	gen_trt_engine.tensorrt.calibration.cal_image_dir	calibration_dataset		是
inference	dataset.character_list_file	eval_dataset	character_list	否
inference	inference.inference_dataset_dir	eval_dataset	test.tar.gz	否
prune	dataset.character_list_file	eval_dataset	character_list	否
quantize	dataset.train_dataset_dir	train_datasets	results/{dataset_convert_job_id}/dataset_convert/lmdb	是
quantize	dataset.val_dataset_dir	eval_dataset	results/{dataset_convert_job_id}/dataset_convert/lmdb	否
quantize	dataset.character_list_file	eval_dataset	character_list	否
quantize	dataset.quant_calibration_dataset.images_dir	train_datasets	train.tar.gz	否
retrain	dataset.train_dataset_dir	train_datasets	results/{dataset_convert_job_id}/dataset_convert/lmdb	是
retrain	dataset.val_dataset_dir	eval_dataset	results/{dataset_convert_job_id}/dataset_convert/lmdb	否
retrain	dataset.character_list_file	eval_dataset	character_list	否
train	dataset.train_dataset_dir	train_datasets	results/{dataset_convert_job_id}/dataset_convert/lmdb	是
train	dataset.val_dataset_dir	eval_dataset	results/{dataset_convert_job_id}/dataset_convert/lmdb	否
train	dataset.character_list_file	eval_dataset	character_list	否

常见规格覆盖项

每个操作都必须覆盖数据源——Agent 必须根据上方「各操作的数据集要求」表构建数据源路径，并将其包含在 spec_overrides 中。

S3_TRAIN = "s3://bucket/data/train"
S3_EVAL = "s3://bucket/data/eval"

train（必需数据源）：

{
    "train.num_epochs": 30,
    "train.checkpoint_interval": 10,
    "train.validation_interval": 10,
    "train.num_gpus": 1,
    "dataset.batch_size": 16,
    "dataset.train_dataset_dir": [f"{S3_TRAIN}/results/{dataset_convert_job_id}/dataset_convert/lmdb"],
    "dataset.val_dataset_dir": f"{S3_EVAL}/results/{dataset_convert_job_id}/dataset_convert/lmdb",
    "dataset.character_list_file": f"{S3_EVAL}/character_list",
}

gen_trt_engine（必需数据源）：

{
    "gen_trt_engine.tensorrt.data_type": "fp16",
    "gen_trt_engine.tensorrt.calibration.cal_image_dir": [f"{S3_TRAIN}"],
}

evaluate（必需数据源）：

{
    "dataset.character_list_file": f"{S3_EVAL}/character_list",
    "evaluate.test_dataset_dir": f"{S3_EVAL}/results/{dataset_convert_job_id}/dataset_convert/lmdb",
}

export（必需数据源）：

{
    "dataset.character_list_file": f"{S3_EVAL}/character_list",
}

inference（必需数据源）：

{
    "dataset.character_list_file": f"{S3_EVAL}/character_list",
    "inference.inference_dataset_dir": f"{S3_EVAL}/test.tar.gz",
}

prune（必需数据源）：

{
    "dataset.character_list_file": f"{S3_EVAL}/character_list",
}

quantize（必需数据源）：

{
    "dataset.train_dataset_dir": [f"{S3_TRAIN}/results/{dataset_convert_job_id}/dataset_convert/lmdb"],
    "dataset.val_dataset_dir": f"{S3_EVAL}/results/{dataset_convert_job_id}/dataset_convert/lmdb",
    "dataset.character_list_file": f"{S3_EVAL}/character_list",
    "dataset.quant_calibration_dataset.images_dir": f"{S3_TRAIN}/train.tar.gz",
}

retrain（必需数据源）：

{
    "dataset.train_dataset_dir": [f"{S3_TRAIN}/results/{dataset_convert_job_id}/dataset_convert/lmdb"],
    "dataset.val_dataset_dir": f"{S3_EVAL}/results/{dataset_convert_job_id}/dataset_convert/lmdb",
    "dataset.character_list_file": f"{S3_EVAL}/character_list",
}

评估数据集

可选。测试数据以单独的 tar 包形式提供。

重要参数

• dataset.character_list_file：定义受支持字符集的字符列表路径。这决定了输出词汇表的大小。
• model.backbone：默认值为 ResNet。
• model.prediction：解码器类型。CTC 或 Attn（基于注意力）。
• train.optim.lr：学习率。默认值为 1.0（Adadelta 优化器）。较高的默认值是 Adadelta 特有的。
• dataset.batch_size：每个 GPU 的批量大小。默认值为 16。

多 GPU / 多节点

**启动方式：**由 Lightning 管理（单个 python 进程，Lightning 会启动工作进程）。

规格键	描述	默认值
train.num_gpus	GPU 数量	1
train.gpu_ids	GPU 设备索引	[0]
train.distributed_strategy	策略名称	auto

• 策略：单 GPU 时使用 auto；多 GPU 时从配置读取 train.distributed_strategy
• 训练脚本中没有显式的 num_nodes——面向单节点
• 模型轻量，通常单个 GPU 即可满足需求

硬件

最低需要 1 个 GPU，建议使用 1 个 GPU。每个 GPU 需要 8GB 以上显存。OCR 文本识别的计算开销较低，通常单个 GPU 即可满足需求。

错误模式

需要 dataset_convert：如果使用原始图像和 gt 文件，先运行 dataset_convert，以生成 LMDB 格式的数据。

字符列表不匹配：训练数据中的所有字符都必须包含在 character_list 文件中。

Spec 参数 / 父模型推断

特定模型的推断映射应放在此 MD 文件中，而不是 config.json 中。生成的运行器应读取本节，并在调用 create_job() 前使用 SDK 辅助函数应用这些映射。这与旧版微服务的 infer_params.py 流程一致。

来自 TAO Core ocrnet.config.json 的推断映射：

操作	Spec 字段	推断函数	含义
dataset_convert	results_dir	output_dir	当前作业的结果目录
evaluate	encryption_key	key	加密密钥
evaluate	evaluate.checkpoint	parent_model	从父作业结果文件夹推断出的模型文件
evaluate	evaluate.trt_engine	parent_model	从父作业结果文件夹推断出的模型文件
evaluate	model.pruned_graph_path	pruned_model	父剪枝模型
evaluate	results_dir	output_dir	当前作业的结果目录
export	encryption_key	key	加密密钥
export	export.checkpoint	parent_model	从父作业结果文件夹推断出的模型文件
export	export.onnx_file	create_onnx_file	输出 ONNX 路径
export	results_dir	output_dir	当前作业的结果目录
gen_trt_engine	encryption_key	key	加密密钥
gen_trt_engine	gen_trt_engine.onnx_file	parent_model	从父作业结果文件夹推断出的模型文件
gen_trt_engine	gen_trt_engine.tensorrt.calibration.cal_cache_file	create_cal_cache	校准缓存路径
gen_trt_engine	gen_trt_engine.trt_engine	create_engine_file	输出 TensorRT 引擎路径
gen_trt_engine	results_dir	output_dir	当前作业的结果目录
inference	encryption_key	key	加密密钥
inference	inference.checkpoint	parent_model	从父作业结果文件夹推断出的模型文件
inference	inference.trt_engine	parent_model	从父作业结果文件夹推断出的模型文件
inference	model.pruned_graph_path	pruned_model	父剪枝模型
inference	results_dir	output_dir	当前作业的结果目录
prune	encryption_key	key	加密密钥
prune	prune.checkpoint	parent_model	从父作业结果文件夹推断出的模型文件
prune	prune.pruned_file	create_pth_file	输出 PTH 路径
prune	results_dir	output_dir	当前作业的结果目录
quantize	encryption_key	key	加密密钥
quantize	quantize.model_path	parent_model	从父作业结果文件夹推断出的模型文件
quantize	results_dir	output_dir	当前作业的结果目录
retrain	encryption_key	key	加密密钥
retrain	model.pruned_graph_path	parent_model	父剪枝模型
retrain	results_dir	output_dir	当前作业的结果目录
train	encryption_key	key	加密密钥
train	results_dir	output_dir	当前作业的结果目录
train	train.pretrained_model_path	ptm_if_no_resume_model	不存在恢复检查点时使用的 PTM
train	train.resume_training_checkpoint_path	resume_model	从当前作业结果文件夹推断出的模型文件

对于 parent_model 或 parent_model_folder，请将上游 train/export/AutoML 子作业 ID 作为 parent_job_id 传入。SDK 会列出父结果文件夹、筛选检查点工件，并返回选定的模型文件或文件夹。不要将这些映射加回 config.json，也不要修改生成的运行器脚本来猜测检查点路径。

部署

• tao-deploy-ocrnet — 使用 TAO Deploy 生成 TensorRT 引擎、进行 TensorRT 评估和 TensorRT 推理的 OCRNet 部署工作流。