Cómo Entrenar una Fuente Personalizada con Tesseract 5 en C

¿Cómo Configuro el Entorno de Entrenamiento?

Install-Package IronOcr

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

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

¿Cómo Preparo la Fuente para Entrenamiento?

cd /
cd /mnt/d

cd /
cd /mnt/d

¿Cómo Copiar el Archivo de Fuente a la Carpeta de Fuentes de Ubuntu?

Tesseract renderiza texto de muestra en su fuente para construir imágenes de entrenamiento, por lo que la fuente debe estar instalada en el lado de Linux, no solo en Windows. Copie el archivo de fuente a ambos directorios de fuentes de Ubuntu: /usr/share/fonts y /usr/local/share/fonts. La forma más sencilla es escribir \wsl$ en la barra de direcciones del Explorador de Archivos para navegar por el sistema de archivos de Ubuntu desde Windows, luego arrastrar el .ttf.

Así es como debería verse la copia de la fuente una vez que llega al directorio de fuentes de Ubuntu:

¿Qué Pasa Si Obtengo Acceso Denegado a la Carpeta de Destino?

Si el Explorador de archivos rechaza la copia, ejecútelo desde una shell root en su lugar:

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

¿Cómo Clonar los Repositorios de Entrenamiento desde GitHub?

La tubería de entrenamiento depende de tres repositorios. Clone primero el wrapper del tutorial, luego los dos repositorios upstream de Tesseract dentro de él, luego cree la carpeta de salida:

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 agrupa los scripts de Python y archivos de configuración que impulsan cada paso de entrenamiento (generación de texto, renderizado de imagen, creación de pares de entrenamiento).
• tesstrain contiene el Makefile que impulsa la ejecución real del entrenamiento.
• Tesseract contiene la carpeta tessdata con archivos .traineddata predeterminados utilizados como modelo de inicio para entrenamiento personalizado.
• tesstrain/data es donde se generan archivos .box (cajas delimitadoras de caracteres), imágenes .tif, y todos los puntos de control intermedios LSTM.

Así es como debería verse la secuencia de clonación en la terminal:

Para trabajar con múltiples paquetes de idioma junto con uno personalizado, consulte nuestra guía de idiomas internacionales.

¿Cómo Generar Archivos de Entrenamiento?

¿Cómo Ejecutar el Script split_training_text.py?

Desde la carpeta Tesseract_tutorial, ejecute:

python split_training_text.py

python split_training_text.py

SHELL

El script genera un par .box / .tif por muestra de entrenamiento y los escribe en la carpeta de datos.

Así es como debería verse la ejecución del script mientras genera los pares de entrenamiento:

¿Cómo Corregir la Advertencia de Fontconfig?

Si ve la advertencia Fontconfig warning: "/tmp/fonts.conf, línea 4: el nombre del directorio de fuentes vacío fue ignorado", fontconfig no puede resolver los directorios de fuentes. Arréglalo editando tesseract_tutorial/fonts.conf:

<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

Cópielo a /etc/fonts:

cp fonts.conf /etc/fonts

cp fonts.conf /etc/fonts

SHELL

Luego apunta split_training_text.py a la misma ruta:

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

PYTHON

¿Cuántos Archivos de Entrenamiento Debería Generar?

Por defecto, el script genera 100 pares de entrenamiento. Cambia el recuento cerca de la parte superior de split_training_text.py:

Guía de dimensionamiento:

• 100-500 muestras son suficientes para confirmar que la tubería funciona de principio a fin.
• 1000-5000 muestras son el rango de trabajo para la precisión en producción.
• El texto de entrenamiento debe cubrir cada carácter que su fuente necesita reconocer, idealmente varias veces cada uno.
• Más muestras significan más tiempo de entrenamiento; elija el conteo más pequeño que logre su objetivo de precisión.

¿Cómo Construyo Mi Archivo de Datos de Fuente Entrenado Personalizado?

Desde la carpeta tesstrain, ejecute:

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 es el nombre de su fuente personalizada (utilizado para el nombre del archivo de salida).
• START_MODEL es la base .traineddata que descargaste arriba.
• MAX_ITERATIONS limita la ejecución del entrenamiento; valores más altos típicamente reducen la tasa de error.

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

¿Cómo solucionar el error "Failed to Load Script Unicharset"?

Descarga Latin.unicharset de langdata_lstm y colócalo en la carpeta tesstrain/data/langdata.

El archivo .unicharset define qué caracteres el entrenador está permitido emitir. Usa el archivo que cubra todos los caracteres en tu fuente, por ejemplo Cyrillic.unicharset para fuentes cirílicas o Devanagari.unicharset para devanagari.

Así debería verse una ejecución de entrenamiento exitosa mientras tesstrain produce el archivo .traineddata:

¿Cómo Verifico la Precisión de Mi Archivo de Datos de Fuente Entrenado?

Con 1000 archivos .box y .tif y 3000 iteraciones de entrenamiento, el resultado AMGDT.traineddata alcanza una tasa de error de entrenamiento (BCER) de alrededor del 5.77%.

Para probar el modelo entrenado con IronOCR, apunta UseCustomTesseractLanguageFile al archivo y lee una imagen de muestra:

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

La propiedad Confidence es la puntuación por documento; si se mantiene baja incluso en inputs limpios, las causas más comunes son muy pocas muestras de entrenamiento o un modelo base que no coincide con el script. Una vez que tu .traineddata esté verificado, consulta nuestra guía de lenguaje personalizado para el flujo de trabajo general de carga de cualquier archivo de idioma personalizado.

¿Cuáles Son los Puntos Clave para el Entrenamiento de Fuentes Personalizadas?

Entrenar una fuente personalizada es una configuración única: genera pares .box / .tif desde tu fuente objetivo, construye un modelo .traineddata con tesstrain, luego cárgalo a través de UseCustomTesseractLanguageFile. Desde allí, IronOCR lee imágenes con el nuevo modelo exactamente de la misma manera que lee el inglés estándar.

Ventajas clave de usar IronOCR con un modelo Tesseract personalizado:

• Reutiliza artefactos estándar de Tesseract: cualquier archivo .traineddata que puedas construir con tesstrain funciona en IronOCR sin conversión.
• Salida multiplataforma: el entrenamiento requiere Linux (o WSL2), pero el archivo entrenado se envía con su aplicación en Windows, macOS, Linux y Docker.
• Integración con el resto de la API: combine fuentes personalizadas con múltiples idiomas secundarios, corrección de calidad de imagen, y ajuste de DPI sin cambiar la ruta de reconocimiento.
• Precisión ajustable: la tasa de error es una función de las muestras de entrenamiento por iteraciones. Ambos controles están expuestos (el conteo de muestras del script más MAX_ITERATIONS) para que puedas ajustar el compromiso entre tiempo de entrenamiento y BCER sin salir de Tesseract.

Para pipelines más grandes, considere el seguimiento del progreso y procesamiento asíncrono al aplicar su modelo entrenado en muchos documentos.