tesseract - 使用图像而不是字体来训练tesseract 4

Question

我对制作tesseract 4的tiff/box文件有一些疑问。
在TrainingTesseract 4.00中编写的文档中:

Making Box Files As with base Tesseract, there is a choice between rendering synthetic training data from fonts, or labeling some pre-existing images (like ancient manuscripts for example).

但是它并没有解释如何训练已有的图像。

我想在tesseract 4(lstm)中训练波斯语。我有一些来自古代手稿的图像，想用图像和文本而不是字体进行训练。所以我不能使用 text2image命令。我知道旧的格式框文件不适用于LSTM培训。

如何为tessearct 4 lstm制作tif/box，然后将它们标记为
如何更改tesseract命令？

我是否应该使用其他工具来生成Box文件(鉴于该波斯文
语言是从右到左)？

我应该使用微调还是从头开始训练？

Answer 1

我像你一样努力奋斗，直到找到这个github仓库:
https://github.com/OCR-D/ocrd-train

这将使您的生活变得 super 轻松。您需要做的就是将图像以tif格式放置，并且文本名称应具有相同的图像名称，扩展名为.gt.txt。它将为您处理所有其余的工作。 (您可能需要根据本地计算机更新Makefile)

从头训练还是微调取决于您自己的语言，数据和您要解决的问题。对我来说，微调是我所需要的，因为我对当前的性能感到满意，但需要补充一下。

您可能需要的所有有用的详细信息都可以在此answer中找到