模型和思路来源： 读光-票证检测矫正模型，试了下效果不错，但是因为没开源训练模块，索性自己撸了下。
python环境: 3.8.5及以上
pip install -r requirements.txt
配置好config.py文件，如下所示：
运行：
python infer.py
配置好config.py文件，如下：
运行：
python infer.py
配置好config.py文件，如下：
运行：
python infer.py
测试环境：V100(16G), 18CPU
在CPU上跑，openvino的加速还是比较明显的， 尤其是在linux上，加速特别明显。时间对比如下:
| 方法 | 时间（s） |
|---|---|
| pytorch（GPU） | 0.04027719497680664 |
| pytorch（CPU） | 0.5020792007446289 |
| openvino | 0.13443317413330078 |
按如下结构准备数据集
images
│ 1.jpg
│ 2.jpg
│ ...
labels
│ 1.txt
│ 2.txt
│ ...
label的标注格式是：
x1, y1, x2, y2, px1, py1, px2, py2, px3, py3, px4, py4, angle_class, type
- x1,y1,x2,y2 是目标的矩形框的左上角点和右下角点坐标。
- px1, py1, px2, py2, px3, py3, px4, py4是目标的四个角点。
- angle_class是四个角度的分类,表示将图片顺时针旋转（0, 90, 180, 270），值分别为 0,1,2,3。
- type表示文件的类别，比如读光-票证检测矫正模型中将文件分为2类，复印件和非复印件，你也可以根据自己的需要设置分类。
配置好config.py文件：
其他参数可根据需要自己调整
单卡
CUDA_VISIBLE_DEVICES=0 python -m torch.distributed.launch --nproc_per_node=1 --master_port 1234 train.py
四卡
CUDA_VISIBLE_DEVICES=0,1,2,3 python -m torch.distributed.launch --nproc_per_node=4 --master_port 1234 train.py
测试环境：16C 32G CPU （Intel(R) Xeon(R) Gold 6132 CPU @ 2.60GHz）
| 模型 | Recall | Precision | CornerDistance | modelSize (M) | CPU latency (ms) |
|---|---|---|---|---|---|
| resnet18 | 0.9935 | 0.9931666666666666 | 24.09381134557724 | 40.9 | 583.6937427520752 |
| resnet18 openvino float32 | 0.9935 | 0.9931666666666666 | 24.09381134557724 | 40.8 | 125.51871538162232 |
| resnet18 openvino float16 | 0.9935 | 0.9931666666666666 | 24.109347816228865 | 20.4 | 111.98193883895874 |
| lcnet(scale=0.3) | 0.9729166666666665 | 0.9700833333333331 | 39.85471574521065 | 3.37 | 129.83580589294433 |
| lcnet(scale=0.3) openvino float32 | 0.9729166666666665 | 0.9700833333333331 | 39.854713185071944 | 3.26 | 63.21316957473755 |
| lcnet(scale=0.3) openvino float16 | 0.9724166666666665 | 0.969833333333333 | 39.85092159843445 | 1.63 | 45.74410676956177 |
| replcnet(scale=0.3) | 0.9755833333333331 | 0.9764166666666664 | 37.711453496456144 | 3.47 | 121.13970041275024 |
| replcnet(scale=0.3) openvino float32 | 0.9755833333333331 | 0.9764166666666664 | 37.711442487716674 | 3.29 | 62.01917886734009 |
| replcnet(scale=0.3) openvino float16 | 0.9752499999999998 | 0.9760833333333332 | 37.638311850070956 | 1.65 | 45.31275033950806 |
每张图第一张为原图，右边为矫正的结果，这里直接加载的读光的模型，具体也可以去读光-票证检测矫正模型自己去试试，效果还是很不错的。
