tao.qin

> 官方代码推理时onnxruntime没有使用GPU 

> 哦，我看错，那FAQ对代码的解释是对的。 > > 我想实现的功能是这样的，在训练的每个iter也就是一次前向反向传播用到的batch_size的数据，按照比例从不同的数据源采样而来。 > > 比如说batch_size是256，有两个数据源，ratio_list为0.1:0.9，那一个iter迭代中的batch_size256的数据中有10%采样来自于数据源1，而90%采样来自于数据源2。 > > 这种需求主要是这种场景，比方说我之前用的总数据量有2千万来训练模型，后来发现模型对某一个场景类型数据识别不好，就增加了一些这种场景数据比如50万，这样我可以把新增加的数据加到原本的2千万总数据当中，但这样效果不是很明显，因为相对于总数据量来说新增数据比较少，也可以采用微调，但会影响原来对其他数据的识别效果，模型训练会遗忘见过次数很少的数据。 > > 而采用我说的方法，这样在一个iter的迭代训练中，能够保证模型学习覆盖到每个数据源，这样对于要针对性优化识别不好场景，效果会不会好点。 > > 官方能实现这种功能，或者怎么修改代码吗？ 自己修改一下数据处理的源码，对两个数据集按比例动态采样组合成一个epoch，然后合并成一个新的list进行训练，训练的时候不使用shuffle就可以实现这种效果。

> 可以尝试： 1）使用PP-OCRv3模型 2）根据测试图片尺寸，调整'det_limit_side_len'参数 3）调整'det_db_thresh'参数 4）可以通过finetune提升垂类效果的 非常感谢。

> 通过安装 silero 的依赖，我解决了这个问题 你好，能把你解决这个问题的详细步骤发一下吗，非常感谢