Cómo Entrenar una Fuente Personalizada con Tesseract 5 en C#

Kannaopat Udonpant
Kannapat Udonpant
Actualizado: 2 de agosto de 2026

El modelo inglés predeterminado de Tesseract interpreta incorrectamente muchos inputs del mundo real: formularios de admisión manuscritos de hospitales, digitalizaciones de libros antiguos, una tipografía decorativa personalizada de un estudio de juegos, o símbolos específicos de la industria que un motor OCR genérico nunca ha visto. La solución es entrenar Tesseract en la fuente exacta tú mismo, produciendo un solo artefacto .traineddata que puedes enviar a cualquier lugar donde se ejecute IronOCR.

Esta guía aborda el entrenamiento de fuentes personalizadas para Tesseract 5 de principio a fin en C#: instala la cadena de herramientas WSL2 Ubuntu, renderiza los archivos de entrenamiento .box y .tif desde tu .ttf o .otf, construye el modelo .traineddata con tesstrain contra una base eng.traineddata, luego carga el resultado en IronOCR. Una vez entrenado, el archivo es portátil entre Windows, macOS, Linux y Docker.

Inicio rápido: Use su archivo de fuente entrenada en C#

Configura IronOCR apuntando UseCustomTesseractLanguageFile a tu archivo de .traineddata entrenado, luego llama a Read en cualquier imagen como lo harías con un paquete de idioma estándar.

  1. 1Instalar IronOCR con NuGet Package Manager

    PM > Install-Package IronOcr

  2. 2Copie y ejecute este fragmento de código.

    using IronOcr;
    
    var ocr = new IronTesseract();
    ocr.UseCustomTesseractLanguageFile("path/to/YourCustomFont.traineddata");
    string text = ocr.Read("image-with-special-font.png").Text;
  3. 3Despliegue para probar en su entorno real

    Empiece a usar IronOCR en su proyecto hoy con una prueba gratuita
    arrow pointer

¿Cómo Configuro el Entorno de Entrenamiento?

¿Cómo Instalo IronOCR?

Instala IronOCR vía NuGet:

PM > Install-Package IronOcr

El paquete DLL es una alternativa manual si no puedes usar NuGet. Para el motor subyacente, véase la guía de características de Tesseract 5 y la referencia de lenguajes personalizados.

¿Cómo Instalo y Configuro WSL2 y Ubuntu?

Consulta el tutorial sobre Configuración de WSL2 y Ubuntu.

Por favor, tenga en cuenta: El entrenamiento de fuentes personalizadas requiere Linux.

WSL2 es suficiente: una vez que el entrenamiento se complete, el archivo .traineddata resultante se envía con tu aplicación IronOCR en Windows, macOS, Linux o Docker. Para detalles de implementación, consulta la guía de implementación en Linux.

¿Cómo Instalo Tesseract 5 en Ubuntu?

Utilice estos comandos para instalar Tesseract 5:

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

El paquete tesseract-ocr es el motor que ejecuta el reconocimiento; libtesseract-dev expone los encabezados que tesstrain necesita para construir un modelo. Una vez que tu archivo entrenado esté en uso, la guía de configuración de Tesseract cubre la sintonización en tiempo de ejecución.

¿Cómo Preparo la Fuente para Entrenamiento?

¿Qué Fuente Debería Descargar?

Este tutorial utiliza la fuente AMGDT, en formato .ttf o .otf.

Explorador de archivos de Windows mostrando el archivo de fuente AMGDT Regular.ttf descargado, resaltado en un cuadro rojo para entrenamiento

Al elegir una fuente para entrenar:

  • Elija fuentes que el modelo inglés predeterminado ya interprete incorrectamente. Entrenar una fuente que ya es reconocida desperdicia tiempo.
  • Confirma que la licencia de la fuente permite la redistribución si tu .traineddata se enviará con una aplicación.
  • Las fuentes decorativas, manuscritas y específicas de la industria (médica, legal, cartográfica) obtienen la mayor precisión del entrenamiento.
  • Haga coincidir las muestras de entrenamiento con lo que realmente verá en producción, incluyendo resolución e iluminación.

¿Cómo Montar la Unidad de Disco?

Monte la unidad D: como su espacio de trabajo:

cd /
cd /mnt/d
SHELL

WSL2 monta cada unidad de Windows bajo /mnt/<letra>, por lo que puede editar archivos en Windows y ejecutar comandos de entrenamiento contra ellos en la misma sesión.

¿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 explorar el sistema de archivos de Ubuntu desde Windows, luego arrastrar .ttf.

Explorador de archivos de Windows mostrando la ruta de red \wsl$ para acceder al sistema de archivos de Ubuntu desde Windows

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

Archivo de fuente AMGDT copiándose en la carpeta de fuentes de Ubuntu y reconocido por el sistema

¿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
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
SHELL
  • 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 estándar utilizados como modelo inicial para el entrenamiento personalizado.
  • tesstrain/data es donde aterrizan los archivos .box generados (cajas de delimitación de caracteres), las imágenes .tif, y los puntos de control intermedios LSTM.

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

Terminal ejecutando los cuatro comandos git clone y creando la carpeta de datos tesstrain

Para trabajar con múltiples paquetes de idiomas junto a uno personalizado, consulta 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
SHELL

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

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

Terminal ejecutando split_training_text.py y generando archivos .box y .tif en la carpeta de datos

¿Cómo Corregir la Advertencia de Fontconfig?

Terminal mostrando advertencias de fontconfig sobre la falta de la fuente Apex y errores de directorio de fuentes vacías

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. Soluciona editando tesseract_tutorial/fonts.conf:

<dir>/usr/share/fonts</dir>
<dir>/usr/local/share/fonts</dir>
<dir prefix="xdg">fonts</dir>
<!-- the following element will be removed in the future -->
<dir>~/.fonts</dir>
XML

Cópielo a /etc/fonts:

cp fonts.conf /etc/fonts
SHELL

Luego apunta split_training_text.py a la misma ruta:

fontconf_dir = '/etc/fonts'
Python

¿Cuántos Archivos de Entrenamiento Debería Generar?

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

Código Python configurando count=100 y dividiendo el arreglo de líneas para limitar el tamaño de los datos de entrenamiento

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.

¿Dónde Descargo el Archivo eng.traineddata?

Descarga eng.traineddata del repositorio tessdata_best y colócalo en Tesseract_tutorial/tesseract/tessdata.

El modelo base da al entrenador contexto lingüístico (qué secuencias de caracteres forman palabras plausibles), por lo que la precisión es mucho mejor que entrenar desde cero. Elija un modelo base en el mismo idioma que su texto de entrenamiento. Si encuentras problemas, consulta la guía de solución de problemas para paquetes de idiomas OCR personalizados.

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

¿Qué ocurre si aparece el mensaje "Failed to Read Data" en Makefile?

Para resolver errores "Failed to read data", parche el Makefile:

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
Text

El parche apunta el Makefile al directorio de salida real para que pueda localizar los archivos de diccionario.

¿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 puede emitir el entrenador. Usa el archivo que cubra cada carácter en tu fuente, por ejemplo Cyrillic.unicharset para fuentes cirílicas o Devanagari.unicharset para devanagari.

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

Canalización de compilación de tesstrain ejecutando iteraciones de entrenamiento y emitiendo el archivo AMGDT.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 de 5.77%.

Registro de entrenamiento de Tesseract mostrando mejora de BCER de 6.388% a 5.771% a lo largo de las iteraciones 2194-2298

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}%");

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 se verifique tu .traineddata, consulta nuestra guía de lenguajes personalizados para el flujo de trabajo general de carga de cualquier archivo de lenguaje 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 tu aplicación en Windows, macOS, Linux y Docker.
  • Integración con el resto de la API: combina 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 del número de muestras de entrenamiento por iteraciones. Ambos parámetros están expuestos (el conteo de muestras del script más MAX_ITERATIONS) para que puedas ajustar el compromiso entre el tiempo de entrenamiento y BCER sin salir de Tesseract.

Para tuberías más grandes, considera seguimiento de progreso y procesamiento asíncrono al aplicar tu modelo entrenado a través de muchos documentos.

Preguntas frecuentes

¿Cómo puedo entrenar una fuente personalizada con Tesseract 5 para usarla con IronOCR?

Entrenar una fuente personalizada con Tesseract 5 implica instalar WSL2, crear archivos de entrenamiento desde su fuente, construir un modelo personalizado .traineddata y cargarlo en IronOCR usando el método UseCustomTesseractLanguageFile.

¿Cuáles son los requisitos previos para el entrenamiento de fuentes personalizadas con Tesseract 5?

Necesita WSL2 con Ubuntu, Tesseract 5 instalado e IronOCR, que puede descargarse a través de NuGet para la lectura con fuentes entrenadas personalizadamente.

¿Cómo integro una fuente entrenada personalizada en el flujo de trabajo de IronOCR?

Una vez que tenga su archivo .traineddata, utilice el método UseCustomTesseractLanguageFile de IronOCR para apuntar al archivo de fuentes entrenadas y luego use el método Read para procesar imágenes que contengan la fuente personalizada.

¿Cuáles son los beneficios de usar un modelo de Tesseract personalizado con IronOCR?

IronOCR integra cualquier archivo .traineddata personalizado, permitiendo su implementación multiplataforma y la combinación con otras características OCR como el procesamiento de múltiples idiomas y la corrección de calidad de imagen.

¿Cómo manejo los problemas comunes de configuración al entrenar fuentes personalizadas para IronOCR?

Asegúrate de que todas las dependencias, como el motor Tesseract y los scripts de entrenamiento, estén correctamente instalados. Usa las guías proporcionadas para configurar WSL2, verificar errores en los archivos de configuración y ajustar los parámetros de entrenamiento.

¿Puedo implementar mi modelo de Tesseract entrenado personalizadamente en múltiples plataformas?

Sí, una vez entrenado en un entorno Linux, el archivo .traineddata es portátil y puede ser utilizado en aplicaciones que funcionan en Windows, macOS, Linux y Docker.

¿Qué precisión puedo esperar de un modelo de fuente entrenado personalizadamente en IronOCR?

La precisión depende de las muestras de entrenamiento y las iteraciones durante el proceso de entrenamiento. Más muestras e iteraciones generalmente mejoran la precisión, e IronOCR proporciona puntuaciones de confianza para evaluar el modelo.

¿Cómo puedo solucionar errores de 'Failed to Read Data' durante el entrenamiento?

Este error a menudo puede resolverse parcheando el archivo Makefile para que apunte correctamente al directorio de salida para archivos de diccionario.

¿Cuál es el papel del archivo `eng.traineddata` en el entrenamiento de fuentes personalizadas?

eng.traineddata sirve como el modelo de lenguaje base proporcionando contexto lingüístico, lo que mejora la precisión de la fuente entrenada personalizada sobre los modelos construidos completamente desde cero.

¿Qué debo hacer si encuentro problemas de permisos al copiar archivos de fuentes durante la configuración?

Si recibes un mensaje de 'Acceso denegado a la carpeta de destino', realiza la operación de copiado de archivos desde un shell root en la terminal para asegurar los permisos adecuados.

¿Listo para empezar?

Descargas de NuGet 6,394,824Versión:2026.11recién lanzado