feat: 重构OCR的训练流程

.gitignore

@@ -1,3 +1,4 @@
+.idea/
 # Byte-compiled / optimized / DLL files
 __pycache__/
 *.py[cod]

README.md

@@ -2,9 +2,9 @@
 
 明日方舟相关深度学习模型，最佳实践：[MAA](https://github.com/MaaAssistantArknights/MaaAssistantArknights)
 
-## [光学文字识别](common/OCR)
+## [光学文字识别](common/pp-OCRv3)
 
-基于 [PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR) 的明日方舟 OCR 模型 finetuning 全流程，包括数据生成、训练、模型转换及优化。详情请参考 [README](common/OCR/README.md)
+基于 [PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR) 的明日方舟 OCR 模型 finetuning 全流程，包括数据生成、训练、模型转换及优化。详情请参考 [README](common/pp-OCRv3/README.md)
 
 ## [战斗技能 Ready 识别](combat/skill_ready)
 

common/pp-OCRv5/README.md

@@ -0,0 +1,179 @@
+# pp-OCRv5 训练 Pipeline
+
+本项目基于PaddleOCR最新模型（pp-OCRv5）为MAA（MaaAssistantArknights）训练专用的OCR识别模型。该README将介绍完整的训练流程。
+
+由于 [ArknightsGameData](https://github.com/Kengxxiao/ArknightsGameData) 改版后只有zh_CN的数据，此pipeline将专注于重构中文识别模型的训练。其它语言的训练亦可参考本流程。
+
+## 项目结构
+
+```
+pp-OCRv5/
+├── configs/                    # 配置文件
+│   ├── PP-OCRv5_server_rec.yml # 训练配置
+│   └── maa_config.py          # 数据生成配置
+├── output/                     # 输出目录
+│   ├── render/                # 渲染的图片数据
+│   ├── ppocr_format/          # PaddleOCR格式数据
+│   └── zh_CN/                 # 中文数据
+├── utils/                      # 工具脚本
+├── PaddleOCR/                  # PaddleOCR源码
+└── text_renderer/              # 文本渲染器
+```
+
+## Pipeline 总览
+
+- **目标**: 为MAA训练新的OCR识别模型
+- **步骤**:
+  1. 下载游戏数据和对应字体
+  2. 生成数据集
+  3. 搭建 PaddleOCR 环境并且进行推理
+  4. 导出onnx
+
+## 详细步骤
+
+### 1. 下载数据和字体
+
+运行`download.py`文件下载数据以及字体：
+
+```bash
+python download.py
+```
+
+### 2. 生成训练数据
+
+#### 2.1 生成文字数据
+
+使用仓库提供的`wording.py`和`number.py`先生成文字数据：
+
+```bash
+python utils/wording.py
+python utils/number.py
+```
+
+#### 2.2 拉取text_renderer
+
+```bash
+git clone https://github.com/oh-my-ocr/text_renderer
+```
+
+#### 2.3 安装text_renderer依赖
+
+```bash
+cd text_renderer
+pip install -r requirements.txt
+```
+
+#### 2.4 生成训练数据
+
+使用仓库提供的`maa_config.py`和text_renderer生成对应的训练数据：
+
+```bash
+python text_renderer/main.py --config configs/maa_config.py
+```
+
+#### 2.5 转换数据格式
+
+使用仓库提供的`convert_ppocr.py`将训练数据改成PaddleOCR可以接收的形式：
+
+```bash
+python utils/convert_ppocr.py
+```
+
+该脚本会：
+- 读取`output/render/`目录下的所有配置文件
+- 将每个配置的数据转换为PaddleOCR格式：`图像路径\t文本内容`
+- 生成单独的训练文件
+- 输出到`output/ppocr_format/`目录
+
+#### 2.6 训练测试集分割
+
+使用`train_test_split.py`将数据分割为训练集和测试集：
+
+```bash
+python utils/train_test_split.py
+```
+
+该脚本会：
+- 读取`output/ppocr_format/`目录下的所有配置文件
+- 将所有数据合并并随机打乱
+- 按8:2的比例分割为训练集和测试集
+- 生成`train_list.txt`和`test_list.txt`两个文件
+
+### 3. 搭建 PaddleOCR 环境并训练 （具体参考paddleOCR官网）
+
+#### 3.1 搭建PaddleOCR环境
+
+```bash
+git clone https://github.com/PaddlePaddle/PaddleOCR.git
+pip install -r PaddleOCR/requirements.txt
+```
+
+#### 3.2 下载预训练模型
+
+```bash
+wget https://paddle-model-ecology.bj.bcebos.com/paddlex/official_pretrained_model/PP-OCRv5_server_rec_pretrained.pdparams 
+```
+
+#### 3.3 训练
+
+**重要**: 确保配置文件中的路径设置正确。训练前请检查以下路径：
+
+- 训练数据目录: `./output/render/`
+- 训练标签文件: `./output/ppocr_format/train_list.txt`
+- 测试标签文件: `./output/ppocr_format/test_list.txt`
+- 字符字典: `./output/zh_CN/keys.txt`
+
+开始训练：
+
+```bash
+python PaddleOCR/tools/train.py -c configs/PP-OCRv5_server_rec.yml -o Global.pretrained_model=./PP-OCRv5_server_rec_pretrained.pdparams
+```
+
+训练参数说明：
+- `-c`: 指定配置文件
+- `-o`: 覆盖配置参数
+- `Global.pretrained_model`: 预训练模型路径
+
+训练过程中会输出到 `./output/PP-OCRv5_server_rec/` 目录。
+
+#### 3.4 导出模型
+
+使用训练好的模型进行推理导出：
+
+```bash
+python PaddleOCR/tools/export_model.py -c configs/PP-OCRv5_server_rec.yml -o Global.pretrained_model=./output/PP-OCRv5_server_rec/best_accuracy.pdparams Global.save_inference_dir="./PP-OCRv5_server_rec_infer/"
+```
+
+参数说明：
+- `Global.pretrained_model`: 使用训练过程中保存的最佳模型
+- `Global.save_inference_dir`: 推理模型输出目录
+
+#### 3.5 获取 ONNX 模型
+
+参考官方文档：[获取ONNX模型](https://www.paddleocr.ai/main/version3.x/deployment/obtaining_onnx_models.html?h=onnx)
+
+使用paddle2onnx转换模型：
+
+```bash
+paddle2onnx \
+    --model_dir ./PP-OCRv5_server_rec_infer/ \
+    --model_filename inference.pdmodel \
+    --params_filename inference.pdiparams \
+    --save_file ./PP-OCRv5_server_rec.onnx \
+    --opset_version 11
+```
+
+参数说明：
+- `--model_dir`: Paddle推理模型目录
+- `--model_filename`: 模型文件名
+- `--params_filename`: 参数文件名
+- `--save_file`: 输出ONNX模型路径
+- `--opset_version`: ONNX opset版本（推荐11）
+
+
+## 开源库
+
+- [PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR): Awesome multilingual OCR toolkits based on PaddlePaddle
+- [ArknightsGameData](https://github.com/Kengxxiao/ArknightsGameData): 《明日方舟》游戏数据
+- [text_renderer](https://github.com/oh-my-ocr/text_renderer): Generate text images for training deep learning ocr model
+- [source-han-sans](https://github.com/adobe-fonts/source-han-sans): Source Han Sans | 思源黑体 | 思源黑體 | 思源黑體 香港 | 源ノ角ゴシック | 본고딕