glassywing / text-detection-ocr

Chinese text detection and recognition based on CTPN + DENSENET using Keras and Tensor Flow，使用keras和tensorflow基于CTPN+Densenet实现的中文文本检测和识别

text-detection

简介

为了能将一张图像中的多行文本识别出来，可以将该任务分为两步：

1. 检测图像中每一行文本的位置
2. 根据位置从原始图像截取出一堆子图像
3. 只需识别出子图像的文字，再进行排序组合即可

因此，采用两类模型：

1. 文本检测：CTPN
2. 文本识别：Densenet + ctc

安装

运行环境

OS: win10 Python: 3.6

安装步骤

1. 安装tensorflow 1.9.0，若电脑配置了gpu环境，请选择gpu版，否则选择cpu版

pip install tensorflow==1.9.0 # 1. for cpu
pip install tensorflow-gpu==1.9.0 # 2.  for gpu

2. 安装该包

python setup.py sdist
cd dist/
pip install dlocr-0.1.tar.gz

执行速度

图像大小	处理器	文本行数量	速度
500kb	1070ti	20	420ms
500kb	Tesla k80	20	1s

使用

OCR

用于识别一张图片中的文字

• 编程方式

  import time
  import dlocr
  
  if __name__ == '__main__':
      ocr = dlocr.get_or_create()
      start = time.time()
  
      bboxes, texts = ocr.detect("../asset/demo_ctpn.png")
      print('\n'.join(texts))
      print(f"cost: {(time.time() - start) * 1000}ms")

  get_or_create() 支持以下参数用于使用自己训练的模型：

  • ctpn_weight_path
  • ctpn_config_path
  • densenet_weight_path
  • densenet_config_path
  • dict_path

  参数说明：见以下命令行方式中的参数说明。

• 命令行方式

  > python -m dlocr -h
  
  usage: text_detection_app.py [-h] [--image_path IMAGE_PATH]
                              [--dict_file_path DICT_FILE_PATH]
                              [--densenet_config_path DENSENET_CONFIG_PATH]
                              [--ctpn_config_path CTPN_CONFIG_PATH]
                              [--ctpn_weight_path CTPN_WEIGHT_PATH]
                              [--densenet_weight_path DENSENET_WEIGHT_PATH]
                              [--adjust ADJUST]
  
  optional arguments:
    -h, --help            show this help message and exit
    --image_path IMAGE_PATH
                          图像位置
    --dict_file_path DICT_FILE_PATH
                          字典文件位置
    --densenet_config_path DENSENET_CONFIG_PATH
                          densenet模型配置文件位置
    --ctpn_config_path CTPN_CONFIG_PATH
                          ctpn模型配置文件位置
    --ctpn_weight_path CTPN_WEIGHT_PATH
                          ctpn模型权重文件位置
    --densenet_weight_path DENSENET_WEIGHT_PATH
                          densenet模型权重文件位置
    --adjust ADJUST       是否对倾斜的文本进行旋转
  

1. ctpn模型权重文件位置不指定默认使用weights/weights-ctpnlstm-init.hdf5
2. ctpn模型配置文件位置不指定默认使用config/ctpn-default.json
3. densenet模型权重文件位置不指定默认使用weights/weights-densent-init.hdf5
4. densenet模型配置文件位置不指定默认使用config/densent-default.json
5. 字典文件位置不指定默认使用dictionary/char_std_5990.txt

示例：

python -m dlocr  --image_path asset/demo_ctpn.png

CTPN

用于定于图像中文字的位置

• 编程方式

  from dlocr import ctpn
  
  if __name__ == '__main__':
      ctpn = ctpn.get_or_create()
      ctpn.predict("asset/demo_ctpn.png", "asset/demo_ctpn_labeled.jpg")

• 命令行方式

  > python dlocr.ctpn_predict.py -h
  
  usage: ctpn_predict.py [-h] [--image_path IMAGE_PATH]
                        [--config_file_path CONFIG_FILE_PATH]
                        [--weights_file_path WEIGHTS_FILE_PATH]
                        [--output_file_path OUTPUT_FILE_PATH]
  
  optional arguments:
    -h, --help            show this help message and exit
    --image_path IMAGE_PATH
                          图像位置
    --config_file_path CONFIG_FILE_PATH
                          模型配置文件位置
    --weights_file_path WEIGHTS_FILE_PATH
                          模型权重文件位置
    --output_file_path OUTPUT_FILE_PATH
                          标记文件保存位置

  1. 权重文件位置不指定默认使用weights/weights-ctpnlstm-init.hdf5
  2. 配置文件位置不指定默认使用config/ctpn-default.json

  示例：

  python ctpn_predict.py --image_path asset/demo_ctpn.png --output_file_path asset/demo_ctpn_labeled.jpg

  

Densenet

用于识别固定图像高度中的文字，默认图像高度为32

• 编程方式

  from dlocr.densenet import load_dict, default_dict_path
  from dlocr import densenet
  
  if __name__ == '__main__':
      densenet = densenet.get_or_create()
      text, img = densenet.predict("asset/demo_densenet.jpg", load_dict(default_dict_path))
      print(text)

• 命令行方式

  > python dlocr.densenet_predict.py -h
  
  usage: densenetocr_predict.py [-h] [--image_path IMAGE_PATH]
                                [--dict_file_path DICT_FILE_PATH]
                                [--config_file_path CONFIG_FILE_PATH]
                                [--weights_file_path WEIGHTS_FILE_PATH]
  
  optional arguments:
    -h, --help            show this help message and exit
    --image_path IMAGE_PATH
                          图像位置
    --dict_file_path DICT_FILE_PATH
                          字典文件位置
    --config_file_path CONFIG_FILE_PATH
                          模型配置文件位置
    --weights_file_path WEIGHTS_FILE_PATH
                          模型权重文件位置

1. 权重文件位置不指定默认使用weights/weights-densent-init.hdf5
2. 配置文件位置不指定默认使用config/densent-default.json
3. 字典文件位置不指定默认使用dictionary/char_std_5990.txt

示例：

python densenetocr_predict.py --image_path asset/demo_densenet.jpg

训练

数据集说明

• CTPN 训练使用的数据集格式与VOC数据集格式相同，目录格式如下：

  - VOCdevkit
      - VOC2007
          - Annotations
          - ImageSets
          - JPEGImages

• Densenet + ctc 使用的数据集分为3部分

  • 文字图像
  • 标注文件：包括图像路径与所对应的文本标记（train.txt, test.txt)
  • 字典文件：包含数据集中的所有文字 (char_std_5990.txt)

数据集链接：

• ctpn: 链接: https://pan.baidu.com/s/19iMHzjvNfQS22NdFjZ_2XQ 提取码: nw7a
• densenet: 链接: https://pan.baidu.com/s/1LT9whsTJx-S48rtRTXw5VA 提取码: rugb

关于创建自己的文本识别数据集，可参考：https://github.com/Sanster/text_renderer。

CTPN 训练

> python -m dlocr.ctpn_train -h

usage: ctpn_train.py [-h] [-ie INITIAL_EPOCH] [--epochs EPOCHS] [--gpus GPUS]
                     [--images_dir IMAGES_DIR] [--anno_dir ANNO_DIR]
                     [--config_file_path CONFIG_FILE_PATH]
                     [--weights_file_path WEIGHTS_FILE_PATH]
                     [--save_weights_file_path SAVE_WEIGHTS_FILE_PATH]

optional arguments:
  -h, --help            show this help message and exit
  -ie INITIAL_EPOCH, --initial_epoch INITIAL_EPOCH
                        初始迭代数
  --epochs EPOCHS       迭代数
  --gpus GPUS           gpu的数量
  --images_dir IMAGES_DIR
                        图像位置
  --anno_dir ANNO_DIR   标注文件位置
  --config_file_path CONFIG_FILE_PATH
                        模型配置文件位置
  --weights_file_path WEIGHTS_FILE_PATH
                        模型初始权重文件位置
  --save_weights_file_path SAVE_WEIGHTS_FILE_PATH
                        保存模型训练权重文件位置

ctpn 的训练需要传入2个必要参数：

1. 图像目录位置
2. 标注文件目录位置

<模型配置文件位置> 用于指定模型的一些参数，若不指定，将使用默认配置：

{
  "image_channels": 3,  // 图像通道数
  "vgg_trainable": true, // vgg 模型是否可训练
  "lr": 1e-05   // 初始学习率
}

<保存模型训练权重文件位置> 若不指定，会保存到当前目录下的model文件夹

训练情况：

...

Epoch 17/20
6000/6000 [==============================] - 4036s 673ms/step - loss: 0.0895 - rpn_class_loss: 0.0360 - rpn_regress_loss: 0.0534
Epoch 18/20
6000/6000 [==============================] - 4075s 679ms/step - loss: 0.0857 - rpn_class_loss: 0.0341 - rpn_regress_loss: 0.0516
Epoch 19/20
6000/6000 [==============================] - 4035s 673ms/step - loss: 0.0822 - rpn_class_loss: 0.0324 - rpn_regress_loss: 0.0498
Epoch 20/20
6000/6000 [==============================] - 4165s 694ms/step - loss: 0.0792 - rpn_class_loss: 0.0308 - rpn_regress_loss: 0.0484

Densenet 训练

> python -m dlocr.densenet_train -h
usage: densenet_train.py [-h] [-ie INITIAL_EPOCH] [-bs BATCH_SIZE]
                         [--epochs EPOCHS] [--gpus GPUS]
                         [--images_dir IMAGES_DIR]
                         [--dict_file_path DICT_FILE_PATH]
                         [--train_file_path TRAIN_FILE_PATH]
                         [--test_file_path TEST_FILE_PATH]
                         [--config_file_path CONFIG_FILE_PATH]
                         [--weights_file_path WEIGHTS_FILE_PATH]
                         [--save_weights_file_path SAVE_WEIGHTS_FILE_PATH]

optional arguments:
  -h, --help            show this help message and exit
  -ie INITIAL_EPOCH, --initial_epoch INITIAL_EPOCH
                        初始迭代数
  -bs BATCH_SIZE, --batch_size BATCH_SIZE
                        小批量处理大小
  --epochs EPOCHS       迭代数
  --gpus GPUS           gpu的数量
  --images_dir IMAGES_DIR
                        图像位置
  --dict_file_path DICT_FILE_PATH
                        字典文件位置
  --train_file_path TRAIN_FILE_PATH
                        训练文件位置
  --test_file_path TEST_FILE_PATH
                        测试文件位置
  --config_file_path CONFIG_FILE_PATH
                        模型配置文件位置
  --weights_file_path WEIGHTS_FILE_PATH
                        模型初始权重文件位置
  --save_weights_file_path SAVE_WEIGHTS_FILE_PATH
                        保存模型训练权重文件位置

Densnet 的训练需要4个必要参数：

1. 训练图像位置
2. 字典文件位置
3. 训练文件位置
4. 测试文件位置

<模型配置文件位置> 用于指定模型使用的配置文件路径，若不指定，默认配置如下：

{
  "lr": 0.0005, // 初始学习率
  "num_classes": 5990, // 字典大小
  "image_height": 32,   // 图像高
  "image_channels": 1,  // 图像通道数
  "maxlen": 50,         // 最长文本长度
  "dropout_rate": 0.2,  //  随机失活率
  "weight_decay": 0.0001, // 权重衰减率
  "filters": 64         // 模型第一层的核数量
}

<保存模型训练权重文件位置> 若不指定，会保存到当前目录下的model文件夹

训练情况：

Epoch 3/100
25621/25621 [==============================] - 15856s 619ms/step - loss: 0.1035 - acc: 0.9816 - val_loss: 0.1060 - val_acc: 0.9823
Epoch 4/100
25621/25621 [==============================] - 15651s 611ms/step - loss: 0.0798 - acc: 0.9879 - val_loss: 0.0848 - val_acc: 0.9878
Epoch 5/100
25621/25621 [==============================] - 16510s 644ms/step - loss: 0.0732 - acc: 0.9889 - val_loss: 0.0815 - val_acc: 0.9881
Epoch 6/100
25621/25621 [==============================] - 15621s 610ms/step - loss: 0.0691 - acc: 0.9895 - val_loss: 0.0791 - val_acc: 0.9886
Epoch 7/100
25621/25621 [==============================] - 15782s 616ms/step - loss: 0.0666 - acc: 0.9899 - val_loss: 0.0787 - val_acc: 0.9887
Epoch 8/100
25621/25621 [==============================] - 15560s 607ms/step - loss: 0.0645 - acc: 0.9903 - val_loss: 0.0771 - val_acc: 0.9888

其它

训练好的权重文件

链接: https://pan.baidu.com/s/1HaeLO-fV_WCtTZl4DQvrzw 提取码: ihdx

参考

1. https://github.com/YCG09/chinese_ocr
2. https://github.com/xiaomaxiao/keras_ocr

text-detection-ocr's Issues

What is the training Dataset you used for DenseNet +CTC text recognition?

...

ctpn 训练 loss

请问ctpn_train 训练 loss一直降不下去是什么原因呢

请教，我看别人只用DenseNet也能做ocr识别， 为何还要加cptn?

https://ptorch.com/news/223.html
https://github.com/yinchangchang/ocr_densenet

合作交流

您好，我们是一家央企的人工智能公司（中译语通科技股份有限公司）主要从事大数据、智慧城市、机器翻译、知识图谱、语音识别、ocr识别等技术的研发，我是这边的技术负责人在github上看到您的开源系统很感兴趣，希望和您进一步沟通交流。

您可以加我微信：18611586751

连续字符能识别码？ 我看DenseNet的ocr都有这个通病

比如 55555， 其他库都只能识别出5，55之类的

can only join an iterable

with open('train_semantic.txt','w',encoding='utf-8') as f:
for i in range(len(X_train)):
str1 = " ".join(X_train[i])+"\t"+"label"+str(y_train[i])+'\n'
f.write(str1)

---

TypeError Traceback (most recent call last)
in
1 with open('train_semantic.txt','w',encoding='utf-8') as f:
2 for i in range(len(X_train)):
----> 3 str1 = " ".join(X_train[i])+"\t"+"label"+str(y_train[i])+'\n'
4 f.write(str1)
TypeError: can only join an iterable

How to address this issue?

gpu 环境 运行ctpn_predict.py 发现 predict_on_batch 耗时很长

200k的身份证图片，进行文字检测时，耗时需要接近2s，打印时间点发现 主要耗时是predict_on_batch产生的，大致原因是什么，有没有什么改进办法

请问TypeError: can only join an iterable需要怎么解决

我将densenet_predict.py中的image_path默认进行了设置
parser.add_argument("--image_path", help="图像位置",
default='E:\Python\Recognition\dlocr\picture\1.jpg')
结果运行报了错，请问怎么办
Traceback (most recent call last):
File "E:/Python/Recognition/dlocr/densenet_predict.py", line 37, in
print('\n'.join(densenet.predict(image_path, id_to_char)[1]))
TypeError: can only join an iterable

DenseNet做ocr有什么特定的好处吗？

网页文档之类的截图识别效果稍好， 拍照如果字体斜一点就不认识了， 是模型不适合做这个斜字识别还是训练不够？

网页文档之类的截图识别效果稍好， 拍照如果字体斜一点就不认识了， 是模型不适合做这个斜字识别还是训练不够？

labers

自定义数据，是不是只要用labelimg像制作faster-rcnn的标签那样子？还需要不需要额外的处理

叠词丢字问题

识别结果中重叠字会出现丢字的现象，如“2003”，识别出的结果为“203”；“共和国国家”识别结果为“共和国家”。请问这个问题有没有解决思路，感谢作者开源！

densenet CRNN训练时报错

训练时会报错：
ValueError: Error when checking input: expected the_input to have 4 dimensions, but got array with shape (64, 1)
请问该怎么解决？

CTPN检测

为什么使用自己训练的模型，测试时，什么都没检测出来。

densenet+ctc如何训练自己的数据，如何做resize与padding?

数据标签

请问densenet 识别的数据标签是怎么制作的

空格字符没有办法识别。

英文单词之间是没有空格的。识别出来的英文段落，是混在一起的。作者有什么办法fix吗？

运行时GPU内存耗尽

CPU能够识别，想试一下GPU版本的tensorflow识别速度上是否有提升，但是GPU内存比较少，结果悲剧。

ResourceExhaustedError: OOM when allocating tensor with shape[1,64,710,896] and type float on /job:localhost/replica:0/task:0/device:GPU:0 by allocator GPU_0_bfc
	 [[Node: block1_conv2/convolution = Conv2D[T=DT_FLOAT, data_format="NCHW", dilations=[1, 1, 1, 1], padding="SAME", strides=[1, 1, 1, 1], use_cudnn_on_gpu=true, _device="/job:localhost/replica:0/task:0/device:GPU:0"](block1_conv1/Relu, block1_conv2/kernel/read)]]
Hint: If you want to see a list of allocated tensors when OOM happens, add report_tensor_allocations_upon_oom to RunOptions for current allocation info.

	 [[Node: rpn_class/Reshape/_1549 = _Recv[client_terminated=false, recv_device="/job:localhost/replica:0/task:0/device:CPU:0", send_device="/job:localhost/replica:0/task:0/device:GPU:0", send_device_incarnation=1, tensor_name="edge_633_rpn_class/Reshape", tensor_type=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]
Hint: If you want to see a list of allocated tensors when OOM happens, add report_tensor_allocations_upon_oom to RunOptions for current allocation info.

想问一下@GlassyWing, GPU最少需要多少内存，是否有办法调整？

使用ctpn做训练时内存很快耗尽，有警告

D:\python3\lib\site-packages\tensorflow\python\ops\gradients_impl.py:100: UserWarning: Converting sparse IndexedSlices to a dense Tensor of unknown shape. This may consume a large amount of memory. "Converting sparse IndexedSlices to a dense Tensor of unknown shape. "
报错信息如上
@GlassyWing

ctpn单个数据预测时内存占用巨大10多个G

图片3000*3000就报错，terminate called after throwing an instance of 'std::bad_alloc’what(): std::bad_alloc。你们又遇到这种情况吗？具体是什么原因可以指点一下吗

training error

hi @GlassyWing

Thanks for your excellent work!

I trained the model and error happen as follows

ValueError: Error when checking target: expected rpn_class to have shape (None, None, 2) but got array with shape (1, 1, 7130)

what can I do to proceed training?

Thanks

这个CTPN代码是不是没有边缘细化偏移损失？

我用ctpn去检测身份证上的文本，似乎效果不理想

训练集Chinese_dataset 下的label 文件load的时候报错

报错信息如下： 且每次报错还指向不同的labeltxt,请问有啥解决办法吗
File "F:\Python Project\text-detection-ocr\dlocr\densenet\data_loader.py", line 111, in
for img, label_len, input_len, label in executor.map(lambda t: load_single_example(*t), image_labels):
File "F:\Python Project\text-detection-ocr\dlocr\densenet\data_loader.py", line 96, in load_single_example
label[0: len(image_label)] = [int(i) - 1 for i in image_label] #int 改成float by chenz
File "F:\Python Project\text-detection-ocr\dlocr\densenet\data_loader.py", line 96, in
label[0: len(image_label)] = [int(i) - 1 for i in image_label] #int 改成float by chenz
ValueError: invalid literal for int() with base 10: '也受到了牵连，老是嘟着嘴，无'

请问一下您的CTPN的输入图片尺寸是不固定的吧？

关于Densenet CTC训练设置问题

博主您好，感谢您开源如此优秀的工程。

想向您请教一下如何修改代码：

1.怎样修改代码进行迁移训练？
2.怎样中断训练过程，记录中断点，并在下次训练的时候继续从中断点开始，而不是从头训练

感谢您的分享，期待您的解答和指点

Time cost unacceptable!!!!To big

Hi There!
OS:

 win 10
 anaconda 4.8.3
 CUDA 9.0 Cudnn7.6.5
 Nvidia  driver 445.87

Demo:

import time
import dlocr

if __name__ == '__main__':
    ocr = dlocr.get_or_create()
    start = time.time()

    bboxes, texts = ocr.detect("C:\\PycharmProjects\\text-detection-ocr-master\\asset\\demo_ctpn.png")
    print('\n'.join(texts))
    print(f"cost: {(time.time() - start) * 1000}ms")

log:

Using TensorFlow backend.
2020-05-31 14:59:01.218166: I T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2020-05-31 14:59:01.311524: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1392] Found device 0 with properties: 
name: GeForce GTX 1070 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.683
pciBusID: 0000:09:00.0
totalMemory: 8.00GiB freeMemory: 6.62GiB
2020-05-31 14:59:01.311826: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1471] Adding visible gpu devices: 0
2020-05-31 14:59:52.947413: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:952] Device interconnect StreamExecutor with strength 1 edge matrix:
2020-05-31 14:59:52.947594: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:958]      0 
2020-05-31 14:59:52.947706: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:971] 0:   N 
2020-05-31 14:59:52.951287: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1084] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 6386 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1070 Ti, pci bus id: 0000:09:00.0, compute capability: 6.1)
156/卞之琳代表作
儿翻动了一下。她还不敢断定不是在梦里，弯起了臂，把乳头边的孩子拢紧了一
点儿，一只手轻轻地抚摩他的小身体，爱的想把他一口吞在肚子里，免被什么魔
鬼见了，一把抓了去，于是她又愁了，于是她又悲了，可是没有忘了哭声，便不
觉哼起来了:
妈在这儿呢，心肝儿睡罢，
别闹啦，别闹哭了妈妈。……
她真也要哭了。可是又觉得好笑:怎么她这样孩子气的，不，简直变成孩子
了——把自己的孩子当作自己的母亲了!不，有什么可笑呢!她反过来一想，这
倒也有道理，她仿佛从不曾有过-一个母亲，至少不记得有过。小时候从小邻居们
的母亲身上看出来，母亲好比一个鸟巢:不论逢到落荫，下雪，或是刮风，小鸟
有这个地方好躲。你觉得闷损得很罢?来!做个好梦去罢，向这含笑的巢门里-一
钻!不错，她小时候，什么叫做挨饿，什么叫做受寒，她是很懂得的。没事的时
候，一个人坐在门槛上，等天黑，也是常有的事。她也想找个巢儿，可是在哪儿
呢?坏脾气的父亲给她的常是打，托寄养的伯父给她的常是骂，伯母给她的常常
是白眼。要是巢儿，她自然得不到这些东西的。后来人大了，她却还常有觅巢的
痴念。她的丈夫待她还不算坏，可是他终年难得有几次在家，就是回来的时候，
对于酒似乎比对于她要关心的多。然而他却给了她一个小巢了。现在她有时候觉
得日子过得太慢，那再不要独自坐在门槛上，瞪着眼看天了，只要看凯儿的小口
cost: 4948.700428009033ms

Process finished with exit code 0

cost: 4948.700428009033ms ,Time is too expensive, have you encountered this situation？

有没有cuda8.0的版本啊？

谢谢。

Tensorbard记录的log实际打开后无有效信息

ctpn: https://pan.baidu.com/s/1kUNTl1l#list/path=%2F 失效秒请问有新链接吗

训练ctpn时出现AttributeError: 'NoneType' object has no attribute 'shape'错误

我使用您的模型能够很好的运行，但是我下载数据集，想重新训练时，出现了下面的错误，如果您有空可以帮我看一下吗？
Epoch 1/20
Traceback (most recent call last):
File "dlocr\ctpn_train.py", line 71, in
initial_epoch=args.initial_epoch)
File "D:\anaconda3\envs\carla\lib\site-packages\dlocr\ctpn\core.py", line 148, in train
self.parallel_model.fit_generator(train_data_generator, epochs=epochs, **kwargs)
File "D:\anaconda3\envs\carla\lib\site-packages\keras\legacy\interfaces.py", line 91, in wrapper
return func(*args, **kwargs)
File "D:\anaconda3\envs\carla\lib\site-packages\keras\engine\training.py", line 1658, in fit_generator
initial_epoch=initial_epoch)
File "D:\anaconda3\envs\carla\lib\site-packages\keras\engine\training_generator.py", line 181, in fit_generator
generator_output = next(output_generator)
File "D:\anaconda3\envs\carla\lib\site-packages\keras\utils\data_utils.py", line 733, in get
six.reraise(*sys.exc_info())
File "D:\anaconda3\envs\carla\lib\site-packages\six.py", line 703, in reraise
raise value
File "D:\anaconda3\envs\carla\lib\site-packages\keras\utils\data_utils.py", line 702, in get
inputs = future.get(timeout=30)
File "D:\anaconda3\envs\carla\lib\multiprocessing\pool.py", line 657, in get
raise self._value
File "D:\anaconda3\envs\carla\lib\multiprocessing\pool.py", line 121, in worker
result = (True, func(*args, **kwds))
File "D:\anaconda3\envs\carla\lib\site-packages\keras\utils\data_utils.py", line 641, in next_sample
return six.next(_SHARED_SEQUENCES[uid])
File "D:\anaconda3\envs\carla\lib\site-packages\dlocr\ctpn\data_loader.py", line 47, in load_data
h, w, c = img.shape
AttributeError: 'NoneType' object has no attribute 'shape'
请问这个问题怎么解决？