Paramètres avancés
Lors de l’appel au modèle MRZScanner, vous pouvez configurer les options avancées à l’aide de paramètres.
Initialisation
Voici les options de réglage avancées pendant la phase d'initialisation :
1. Backend
Backend est une énumération qui permet de choisir le moteur de calcul du modèle MRZScanner.
Il comprend les options suivantes:
- cpu: Utilisez le processeur pour le calcul.
- cuda: Utilisez le GPU pour le calcul (exige une prise en charge matérielle appropriée).
from capybara import Backend
model = MRZScanner(backend=Backend.cuda) # Use CUDA backend
#
# Or
#
model = MRZScanner(backend=Backend.cpu) # Use CPU backend
Nous utilisons ONNXRuntime pour l’inférence. Bien qu’il prenne en charge plusieurs moteurs, notamment CPU, CUDA, OpenCL, DirectX et TensorRT, notre interface simplifiée propose actuellement seulement CPU et CUDA. L’utilisation de CUDA nécessite du matériel compatible ainsi que les pilotes CUDA et CUDA Toolkit correspondants.
Si CUDA n'est pas installé sur votre système, ou si la version installée est incorrecte, vous ne pourrez pas utiliser le moteur de calcul CUDA.
2. ModelType
ModelType est un type d'énumération utilisé pour spécifier le type de modèle utilisé par MRZScanner.
Actuellement, les options suivantes sont disponibles:
- spotting: Utilise une architecture de bout en bout et charge un modèle unique.
- two_stage: Utilise une architecture de modèle en deux étapes et charge deux modèles.
- detection: Charge uniquement le modèle de détection pour MRZ.
- recognition: Charge uniquement le modèle de reconnaissance pour MRZ.
Vous pouvez choisir le modèle avec le paramètre model_type.
from mrzscanner import MRZScanner
model = MRZScanner(model_type=MRZScanner.spotting)
3. ModelCfg
Vous pouvez voir tous les modèles disponibles en utilisant list_models.
from mrzscanner import MRZScanner
print(MRZScanner().list_models())
# {
# 'spotting': ['20240919'],
# 'detection': ['20250222'],
# 'recognition': ['20250221']
# }
Sélectionnez la version que vous voulez et spécifiez le modèle à utiliser avec des paramètres tels que spotting_cfg, detection_cfg, recognition_cfg, etc., ainsi que ModelType.
-
spotting:
model = MRZScanner( model_type=ModelType.spotting, spotting_cfg='20240919' ) -
two_stage:
model = MRZScanner( model_type=ModelType.two_stage, detection_cfg='20250222', recognition_cfg='20250221' ) -
detection:
model = MRZScanner( model_type=ModelType.detection, detection_cfg='20250222' ) -
recognition:
model = MRZScanner( model_type=ModelType.recognition, recognition_cfg='20250221' )
Vous pouvez également choisir de ne pas spécifier, car nous avons déjà configuré des versions par défaut pour chaque modèle.
ModelType.spotting
Ce modèle est un modèle de bout en bout qui détecte directement la position de la MRZ et effectue la reconnaissance. L'inconvénient est que sa précision est relativement inférieure et qu'il ne renvoie pas les coordonnées de la MRZ.
Exemple d'utilisation :
import cv2
from skimage import io
from mrzscanner import MRZScanner, ModelType
# Create the model
model = MRZScanner(
model_type=ModelType.spotting,
spotting_cfg='20240919'
)
# Read image from URL
img = io.imread('https://github.com/DocsaidLab/MRZScanner/blob/main/docs/test_mrz.jpg?raw=true')
img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
# Model inference
result = model(img, do_center_crop=True, do_postprocess=False)
# Output results
print(result)
# {
# 'mrz_polygon': None,
# 'mrz_texts': [
# 'PCAZEQAOARIN<<FIDAN<<<<<<<<<<<<<<<<<<<<<<<<<',
# 'C946302620AZE6707297F23031072W12IMJ<<<<<<<40'
# ],
# 'msg': <ErrorCodes.NO_ERROR: 'No error.'>
# }
ModelType.two_stage
Ce modèle est un modèle en deux étapes qui détecte d'abord la position de la MRZ et effectue ensuite la reconnaissance. L'avantage est une plus grande précision, et il retourne également les coordonnées de la MRZ.
Exemple d'utilisation, où nous pouvons également dessiner la position de la MRZ:
import cv2
from skimage import io
from mrzscanner import MRZScanner, ModelType
# Create the model
model = MRZScanner(
model_type=ModelType.two_stage,
detection_cfg='20250222',
recognition_cfg='20250221'
)
# Read image from URL
img = io.imread('https://github.com/DocsaidLab/MRZScanner/blob/main/docs/test_mrz.jpg?raw=true')
img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
# Model inference
result = model(img, do_center_crop=True, do_postprocess=False)
# Output results
print(result)
# {
# 'mrz_polygon':
# array(
# [
# [ 158.536 , 1916.3734],
# [1682.7792, 1976.1683],
# [1677.1018, 2120.8926],
# [ 152.8586, 2061.0977]
# ],
# dtype=float32
# ),
# 'mrz_texts': [
# 'PCAZEQAQARIN<<FIDAN<<<<<<<<<<<<<<<<<<<<<<<<<',
# 'C946302620AZE6707297F23031072W12IMJ<<<<<<<40'
# ],
# 'msg': <ErrorCodes.NO_ERROR: 'No error.'>
# }
# Draw the MRZ's position
from capybara import draw_polygon, imwrite, centercrop
poly_img = draw_polygon(img, result['mrz_polygon'], color=(0, 0, 255), thickness=5)
imwrite(centercrop(poly_img))
ModelType.detection
Ce modèle localise uniquement la zone MRZ, sans reconnaître son texte.
Exemple d'utilisation :
import cv2
from skimage import io
from mrzscanner import MRZScanner, ModelType
# Create the model
model = MRZScanner(
model_type=ModelType.detection,
detection_cfg='20250222',
)
# Read image from URL
img = io.imread('https://github.com/DocsaidLab/MRZScanner/blob/main/docs/test_mrz.jpg?raw=true')
img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
# Model inference
result = model(img, do_center_crop=True)
# Output results
print(result)
# {
# 'mrz_polygon':
# array(
# [
# [ 158.536 , 1916.3734],
# [1682.7792, 1976.1683],
# [1677.1018, 2120.8926],
# [ 152.8586, 2061.0977]
# ],
# dtype=float32
# ),
# 'mrz_texts': None,
# 'msg': <ErrorCodes.NO_ERROR: 'No error.'>
# }
Le résultat de détection MRZ est identique à l’exemple précédent ; nous ne reproduisons donc pas la visualisation ici.
ModelType.recognition
Ce modèle effectue seulement la reconnaissance MRZ et ne détecte pas la position de la MRZ.
Pour utiliser ce modèle, vous devez préparer l'image MRZ recadrée et la transmettre au modèle.
Tout d'abord, préparons l'image MRZ recadrée en utilisant les coordonnées précédemment détectées:
import numpy as np
from skimage import io
from capybara import imwarp_quadrangle, imwrite
polygon = np.array([
[ 158.536 , 1916.3734],
[1682.7792, 1976.1683],
[1677.1018, 2120.8926],
[ 152.8586, 2061.0977]
], dtype=np.float32)
img = io.imread('https://github.com/DocsaidLab/MRZScanner/blob/main/docs/test_mrz.jpg?raw=true')
img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
mrz_img = imwarp_quadrangle(img, polygon)
imwrite(mrz_img)
Après avoir exécuté le code ci-dessus, nous pouvons extraire l'image MRZ recadrée:
Une fois que nous avons l'image, nous pouvons exécuter le modèle de reconnaissance séparément:
from mrzscanner import MRZScanner, ModelType
# Create the model
model = MRZScanner(
model_type=ModelType.recognition,
recognition_cfg='20250221'
)
# Input the cropped MRZ image
result = model(mrz_img, do_center_crop=False)
# Output results
print(result)
# {
# 'mrz_polygon': None,
# 'mrz_texts': [
# 'PCAZEQAQARIN<<FIDAN<<<<<<<<<<<<<<<<<<<<<<<<<',
# 'C946302620AZE6707297F23031072W12IMJ<<<<<<<40'
# ],
# 'msg': <ErrorCodes.NO_ERROR: 'No error.'>
# }