ocr - 如何使用图像数据而不是字体文件训练 tesseract 4？

Question

我正在尝试用图像而不是字体来训练 Tesseract 4。

在 docs他们只解释字体的方法，而不是图像。

我知道它是如何工作的，当我使用之前版本的 Tesseract 但我不知道如何使用 box/tiff 文件来训练 LSTM在 Tesseract 4 中。

我查看了tesstrain.sh ，用于生成LSTM训练数据，但找不到任何有用的东西。有任何想法吗？

Answer 1

在 https://github.com/tesseract-ocr/tesstrain 克隆 teststrain 存储库.

您还需要克隆 tessdata_best 存储库，https://github.com/tesseract-ocr/tessdata_best .这是您培训的起点。需要数十万个训练数据样本才能获得准确性，因此使用一个好的起点可以让您用更少的数据微调您的训练(大约几十到数百个样本就足够了)

将您的训练样本添加到名为 ./tesstrain/data/my-custom-model-ground-truth 的 teststrain 存储库中的目录中

您的训练样本应该是名称相同但扩展名不同的图像/文本文件对。例如，您应该有一个名为 001.png 的图像文件。那是文字的图片foobar你应该有一个名为 001.gt.txt 的文本文件有文字 foobar .

这些文件必须是单行文本。

在 tesstrain repo ，运行这个命令:
make training MODEL_NAME=my-custom-model START_MODEL=eng TESSDATA=~/src/tessdata_best
训练完成后，将有一个新文件 tesstrain/data/.traineddata。将该文件复制到 Tesseract 搜索模型的目录。在我的机器上，它是/usr/local/share/tessdata/。

然后，您可以运行 tesseract 并将该模型用作语言。
tesseract -l my-custom-model foo.png -