andyjiang
andyjiang
make sure you use the right pdf file and set the valid pdf path
then make sure you use the latest code, i try it and it works well. you can debug it
这两个都是基于nlp提供的预训练模型来实现的，原始的预训练模型就是这么大，没法调整大小了
根据需求自行配置哈
v3的核心点是svtr，由于neck部分使用了svtr结构，导致模型有所增大，为了保证整体模型不太大，所以去掉了mid_channels，你也可以试一下加上的效果
> > v3的核心点是svtr，由于neck部分使用了svtr结构，导致模型有所增大，为了保证整体模型不太大，所以去掉了mid_channels，你也可以试一下加上的效果 > > 注意到相同的图片尺寸输入，V3版本是比V2版本要少一半特征，比如 32x96 尺度，V2版本最终输出结果是 （24x字典字符个数），而V3版本最终输出是（12x字典字符个数）。这是因为网络主干的backbone中加了参数 last_conv_stride:[1,2] 造成的吗？我看V2版本使用了默认的last_conv_stride:1 > > 这样做也是为了保证模型不太大吗，感觉精度会有一定程度损失，最起码我输出的ctc解码定位的单个字符位置精度是不如V2版本的。 是的，都是为了保证模型不太大，如果对模型大小没要求，也可以修改这些参数试试效果
avgpool会保留更多信息，效果会好一点点，可以做一下消融实验对比下哈
这个识别结果差别会很大吗？有具体实验的结果示例吗？