Inscriptions

v2.0.0 新变化：项目使用 C/S 架构重新实现。

项目简介

本项目取材自 2024 年 MathorCup 数学应用挑战赛 B 题，基于 YOLOv8 的甲骨文原始拓片图像单字分割识别系统。针对原始拓片图像中的甲骨文文字分割识别包括以下两个阶段：

• 目标检测：基于 YOLOv8 目标检测模型，对甲骨文文字所在的矩形区域进行提取。

• 字符识别：基于 YOLOv8 图像分类模型，对文字图像进行分类，判断该字形所代表的具体字符内容。

同时实现基于 Flask 的后端推理接口和 Web UI 可视化界面。

效果展示

性能评估

本项目训练数据集来自 殷契文渊，对原始数据集进行了增强，采用 YOLOv8s 模型进行训练，能识别 其中195 中不同的甲骨文字符，其中目标检测模型各项指标如下：

mAP50	mAP50-95	Precision	Recall
0.928	0.608	0.905	0.865

字符分类模型各项指标如下：

Top1_acc	Top5_acc
0.897	0.969

使用说明

首先需要安装本项目依赖的各种库和工具包。

pip install -r requirements.txt

可以在本项目 Releases 中下载我训练好的模型权重文件，解压到目录 inferences/models 下，运行以下命令以启动服务端程序。

python -m flask --app servers.server:app run --host=0.0.0.0 --port=8080

本项目识别程序默认的配置文件为 inferences/configs/config.toml，其中各个字段的描述如下。

字段名	字段描述
providers	模型推理 ONNX Runtime Execution Providers 列表。
precision	推理运算精度，可取 "fp32"（单精度）或 "fp16"（半精度）。
detection-model-path	目标检测模型加载路径。
classification-model-path	字符识别模型加载路径。
conf-threshold	目标检测置信度阈值。
iou-threshold	目标检测非极大值抑制 IoU 阈值。

客户端程序位于 clients 目录下，可通过 Nginx 或其他前端服务器部署，其中 clients/js/names.js 内为字符类别名列表，可根据实际需要调整。此外还需要安装配置并启动 Nginx 服务进行后端服务和前端服务之间的反向代理。

如果需要使用自己的数据集训练模型，则需要安装 Ultralytics 框架，参照 Ultralytics 官方文档 进行模型的训练，最后将模型转换为 ONNX 格式进行部署即可。

pip install ultralytics