Wie man eine benutzerdefinierte Schriftart mit Tesseract 5 in C# trainiert

Wie richte ich die Trainingsumgebung ein?

Install-Package IronOcr

sudo apt install tesseract-ocr
sudo apt install libtesseract-dev

sudo apt install tesseract-ocr
sudo apt install libtesseract-dev

Wie bereite ich die Schrift für das Training vor?

cd /
cd /mnt/d

cd /
cd /mnt/d

Wie kopiere ich die Schriftdatei in den Ubuntu-Schriftenordner?

Tesseract rendert Beispieltext in Ihrer Schriftart, um Trainingsbilder zu erstellen, daher muss die Schrift auf der Linux-Seite installiert sein, nicht nur auf Windows. Kopieren Sie die Schriftdatei in beide Ubuntu-Schriftverzeichnisse: /usr/share/fonts und /usr/local/share/fonts. Am einfachsten ist es, \wsl$ in die Adressleiste des Datei-Explorers einzugeben, um das Ubuntu-Dateisystem von Windows aus zu durchsuchen, und dann das .ttf hinüberzuziehen.

So sollte das Kopieren der Schriftart aussehen, sobald sie im Ubuntu-Schriftverzeichnis angekommen ist:

Was, wenn ich Zugriff auf das Zielverzeichniss verweigert bekomme?

Wenn der Datei-Explorer das Kopieren ablehnt, führen Sie es stattdessen von einer Root-Shell aus aus:

cd /
su root
cd /c/Users/Admin/Downloads/'AMGDT Regular'
cp 'AMGDT Regular.ttf' /usr/share/fonts
cp 'AMGDT Regular.ttf' /usr/local/share/fonts
exit

cd /
su root
cd /c/Users/Admin/Downloads/'AMGDT Regular'
cp 'AMGDT Regular.ttf' /usr/share/fonts
cp 'AMGDT Regular.ttf' /usr/local/share/fonts
exit

SHELL

Wie klone ich die Trainings-Repositories von GitHub?

Die Trainingspipeline hängt von drei Repositories ab. Klonen Sie zunächst den Tutorial-Wrapper, dann die beiden ursprünglichen Tesseract-Repos darin und erstellen Sie dann den Ausgabeordner:

git clone https://github.com/astutejoe/tesseract_tutorial.git
cd tesseract_tutorial
git clone https://github.com/tesseract-ocr/tesstrain
git clone https://github.com/tesseract-ocr/tesseract
mkdir tesstrain/data

git clone https://github.com/astutejoe/tesseract_tutorial.git
cd tesseract_tutorial
git clone https://github.com/tesseract-ocr/tesstrain
git clone https://github.com/tesseract-ocr/tesseract
mkdir tesstrain/data

• Tesseract_tutorial bündelt die Python-Skripte und Konfigurationsdateien, die jeden Trainingsschritt steuern (Textgenerierung, Bild-Rendering, Erstellung von Trainingspaaren).
• tesstrain enthält das Makefile, das den eigentlichen Trainingslauf steuert.
• Tesseract enthält den Ordner "tessdata" mit Standard-.traineddata-Dateien, die als Ausgangsmodell für das benutzerdefinierte Training dienen.
• tesstrain/data ist der Ort, an dem generierte .box-Dateien (Zeichen-Bounding-Boxen), .tif-Bilder und LSTM-Zwischen-Checkpoints gespeichert werden.

So sollte die Klonsequenz im Terminal aussehen:

Für die Arbeit mit mehreren Sprachpaketen zusammen mit einem benutzerdefinierten, siehe unseren internationalen Sprachleitfaden.

Wie erstelle ich Trainingsdateien?

Wie starte ich das split_training_text.py-Skript?

Aus dem Tesseract_tutorial-Ordner heraus führen Sie:

python split_training_text.py

python split_training_text.py

SHELL

Das Skript generiert pro Trainingsbeispiel ein .box / .tif-Paar und schreibt diese in den Datenordner.

So sollte der Skriptlauf aussehen, während er die Trainingspaare generiert:

Wie behebe ich die Fontconfig-Warnung?

Wenn Sie die Warnung sehen Fontconfig warning: "/tmp/fonts.conf, line 4: empty font directory name ignored", kann fontconfig die Schriftverzeichnisse nicht auflösen. Behebe das Problem, indem du tesseract_tutorial/fonts.conf bearbeitest:

<dir>/usr/share/fonts</dir>
<dir>/usr/local/share/fonts</dir>
<dir prefix="xdg">fonts</dir>

<dir>~/.fonts</dir>

<dir>/usr/share/fonts</dir>
<dir>/usr/local/share/fonts</dir>
<dir prefix="xdg">fonts</dir>

<dir>~/.fonts</dir>

XML

Kopieren Sie es nach /etc/fonts:

cp fonts.conf /etc/fonts

cp fonts.conf /etc/fonts

SHELL

Richten Sie dann split_training_text.py auf denselben Pfad:

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

PYTHON

Wie viele Trainingsdateien sollte ich erstellen?

Standardmäßig generiert das Skript 100 Trainingspaare. Ändern Sie die Zählung oben in split_training_text.py:

Größenanleitung:

• 100-500 Proben reichen aus, um die Ende-zu-Ende-Funktionalität der Pipeline zu bestätigen.
• 1000-5000 Proben sind der Arbeitsbereich für Produktionsgenauigkeit.
• Der Trainingsinhalt muss jedes Zeichen abdecken, das Ihre Schrift erkennen muss, idealerweise mehrmals.
• Mehr Proben bedeuten längere Trainingszeit; wählen Sie die kleinste Menge, die Ihr Genauigkeitsziel erreicht.

Wie erstelle ich meine benutzerdefinierte Schriftart-Trainingsdatendatei?

Aus dem tesstrain-Ordner heraus führen Sie:

TESSDATA_PREFIX=../tesseract/tessdata make training MODEL_NAME=AMGDT START_MODEL=eng TESSDATA=../tesseract/tessdata MAX_ITERATIONS=100

TESSDATA_PREFIX=../tesseract/tessdata make training MODEL_NAME=AMGDT START_MODEL=eng TESSDATA=../tesseract/tessdata MAX_ITERATIONS=100

• MODEL_NAME ist der Name Ihrer benutzerdefinierten Schrift (wird für den Ausgabedateinamen verwendet).
• START_MODEL ist die Basis-.traineddata, die Sie oben heruntergeladen haben.
• MAX_ITERATIONS begrenzt den Trainingslauf; höhere Werte reduzieren in der Regel die Fehlerquote.

WORDLIST_FILE := $(OUTPUT_DIR2)/$(MODEL_NAME).lstm-word-dawg
NUMBERS_FILE := $(OUTPUT_DIR2)/$(MODEL_NAME).lstm-number-dawg
PUNC_FILE := $(OUTPUT_DIR2)/$(MODEL_NAME).lstm-punc-dawg

Wie behebe ich die Fehlermeldung "Failed to Load Script Unicharset"?

Laden Sie Latin.unicharset aus langdata_lstm herunter und legen Sie es im Ordner tesstrain/data/langdata ab.

Die Datei .unicharset definiert, welche Zeichen der Trainer ausgeben darf. Verwenden Sie die Datei, die alle Zeichen Ihrer Schriftart abdeckt, zum Beispiel Cyrillic.unicharset für kyrillische Schriftarten oder Devanagari.unicharset für Devanagari.

So sollte ein erfolgreicher Trainingslauf aussehen, wenn tesstrain die Datei .traineddata erzeugt:

Wie überprüfe ich die Genauigkeit meiner trainierten Datendatei?

Mit 1000 .box- und .tif-Dateien sowie 3000 Trainingsiterationen erreicht die Ausgabe AMGDT.traineddata eine Trainingsfehlerrate (BCER) von etwa 5,77 %.

Um das trainierte Modell mit IronOCR zu testen, richten Sie UseCustomTesseractLanguageFile auf die Datei und lesen Sie ein Beispielbild ein:

using IronOcr;

// Load the trained model; AutoOsd handles orientation
var ocr = new IronTesseract();
ocr.UseCustomTesseractLanguageFile("path/to/AMGDT.traineddata");
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

// Preprocess so the model sees clean glyphs
using var input = new OcrInput();
input.LoadImage("test-image-with-amgdt-font.png");
input.EnhanceResolution(300);
input.DeNoise();

// Confidence reflects training quality
var result = ocr.Read(input);
Console.WriteLine($"Text: {result.Text}");
Console.WriteLine($"Confidence: {result.Confidence}%");

using IronOcr;

// Load the trained model; AutoOsd handles orientation
var ocr = new IronTesseract();
ocr.UseCustomTesseractLanguageFile("path/to/AMGDT.traineddata");
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd;

// Preprocess so the model sees clean glyphs
using var input = new OcrInput();
input.LoadImage("test-image-with-amgdt-font.png");
input.EnhanceResolution(300);
input.DeNoise();

// Confidence reflects training quality
var result = ocr.Read(input);
Console.WriteLine($"Text: {result.Text}");
Console.WriteLine($"Confidence: {result.Confidence}%");

Imports IronOcr

' Load the trained model; AutoOsd handles orientation
Dim ocr As New IronTesseract()
ocr.UseCustomTesseractLanguageFile("path/to/AMGDT.traineddata")
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd

' Preprocess so the model sees clean glyphs
Using input As New OcrInput()
    input.LoadImage("test-image-with-amgdt-font.png")
    input.EnhanceResolution(300)
    input.DeNoise()

    ' Confidence reflects training quality
    Dim result = ocr.Read(input)
    Console.WriteLine($"Text: {result.Text}")
    Console.WriteLine($"Confidence: {result.Confidence}%")
End Using

Die Eigenschaft Confidence ist die dokumentbezogene Bewertung; wenn sie niedrig bleibt, auch auf sauberen Eingaben, sind die häufigsten Ursachen zu wenige Trainingsproben oder ein Basismodell, das nicht zum Skript passt. Sobald Ihr .traineddata verifiziert ist, finden Sie in unserem Leitfaden für benutzerdefinierte Sprachen den allgemeinen Arbeitsablauf zum Laden einer beliebigen benutzerdefinierten Sprachdatei.

Was sind die wichtigsten Erkenntnisse beim Training benutzerdefinierter Schriftarten?

Das Trainieren einer benutzerdefinierten Schriftart ist eine einmalige Einrichtung: Generieren Sie .box / .tif-Paare aus Ihrer Zielschriftart, erstellen Sie ein .traineddata-Modell mit tesstrain und laden Sie es dann über UseCustomTesseractLanguageFile. Von da an liest IronOCR Bilder mit dem neuen Modell genauso wie mit Standard-Englisch.

Die wichtigsten Vorteile der Verwendung von IronOCR mit einem benutzerdefinierten Tesseract-Modell:

• Verwendet Standard-Tesseract-Artefakte: Jede .traineddata-Datei, die Sie mit tesstrain erstellen können, funktioniert in IronOCR ohne Konvertierung.
• Plattformübergreifende Ausgabe: Das Training erfordert Linux (oder WSL2), aber die trainierte Datei wird mit Ihrer Anwendung auf Windows, macOS, Linux und Docker geliefert.
• Nahtlos mit dem Rest der API: Kombinieren Sie benutzerdefinierte Schriftarten mit mehreren Sekundärsprachen, Bildqualitätskorrektur und DPI-Abstimmung ohne Änderung des Erkennungspfads.
• Anpassbare Genauigkeit: Die Fehlerquote ist eine Funktion von Trainingsproben mal Iterationen. Beide Regler sind sichtbar (die Anzahl der Beispiele im Skript Plus MAX_ITERATIONS), sodass Sie den Kompromiss zwischen Trainingszeit und BCER einstellen können, ohne Tesseract zu verlassen.

Für größere Pipelines ziehen Sie Fortschrittsüberwachung und asynchrone Verarbeitung in Betracht, wenn Sie Ihr trainiertes Modell über viele Dokumente hinweg anwenden.