Formación sobre fuentes personalizadas en C# para Tesseract 5 (para usuarios de Windows)
Utilice Custom font training for Tesseract 5 para mejorar la precisión y las capacidades de reconocimiento del motor de OCR cuando trabaje con fuentes o estilos de fuente específicos que pueden no estar bien soportados por defecto.
El proceso consiste en proporcionar a Tesseract datos de entrenamiento, como muestras de fuentes y el texto correspondiente, para que pueda aprender las características y patrones específicos de las fuentes personalizadas.
Cómo utilizar la fuente personalizada Tesseract en C#
- Descargar una biblioteca C# para entrenar fuentes personalizadas con Tesseract
- Preparar el archivo de fuentes que se utilizará para la formación
- Siga los pasos especificados en el artículo
- Contiene soluciones para los errores más frecuentes
- Exporte el archivo de datos entrenados para su uso posterior
## Paso 1: Descargar la última versión de IronOCR
Instalar con NuGet
Install-Package IronOcr
Instalación mediante DLL
Descargar el IronOcr DLL directamente a su máquina.Instalación mediante NuGet
Alternativamente, puede instalar a través de NuGet . ```shell :ProductInstall ```## Paso 2: Instalar y configurar WSL2 y Ubuntu [Aquí](https://ubuntu.com/tutorials/install-ubuntu-on-wsl2-on-windows-10) es el tutorial para configurar WSL2 y Ubuntu ** Actualmente, la formación de fuentes personalizadas sólo puede realizarse en Linux. ## Paso 3: Instalar Tesseract 5 en Ubuntu ```bash sudo apt install tesseract-ocr sudo apt install libtesseract-dev ``` ## Paso 4: Descargue la fuente que desea entrenar En este tutorial utilizaremos la fuente AMGDT. El archivo de fuente puede ser tanto .ttf como .otf ![](/static-assets/ocr/how-to/ocr-custom-font-training/example_of_downloaded_font_file.png) ## Paso 5: Monte la unidad de disco de su espacio de trabajo para la formación de fuentes personalizadas El siguiente comando muestra cómo montar la unidad `D:` como espacio de trabajo. ```bash cd / cd /mnt/d ``` ## Paso 6: Copiar el archivo de fuentes a la carpeta de fuentes de Ubuntu Este es el directorio de la carpeta de fuentes de Ubuntu; `Ubuntu/usr/share/fonts` y `Ubuntu/usr/local/share/fonts`. ** Para acceder al archivo en Ubuntu, escriba `\\wsl$` en el directorio del explorador de archivos. ![](/static-assets/ocr/how-to/ocr-custom-font-training/ubutu_folder_directory.png) ### Solución de problemas: Acceso a la carpeta de destino denegado ![](/static-assets/ocr/how-to/ocr-custom-font-training/destination_folder_access_denied.png) Este problema puede resolverse copiando el archivo mediante la línea de comandos ```bash 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 su username ``` ## Paso 7: Clonar tesseract_tutorial desde Github El repositorio `tesseract_tutorial` puede clonarse desde la siguiente url; [https://github.com/astutejoe/tesseract_tutorial.git](https://github.com/astutejoe/tesseract_tutorial.git) utilizando el siguiente comando; ```bash git clone https://github.com/astutejoe/tesseract_tutorial.git ``` ## Paso 8: Clonar tesstrain y tesseract desde Github Vaya al directorio de la carpeta `tesseract_tutorial`, luego git clone https://github.com/tesseract-ocr/tesstrain y https://github.com/tesseract-ocr/tesseract - tesstrain contiene el archivo "Makefile" que se utiliza para crear el archivo .traineddata (objetivo de este tutorial) - tesseract contiene la carpeta "tessdata", que es un contenedor del archivo original .traindata que se utiliza como referencia para la formación de fuentes personalizadas. ## Paso 9: Crear la carpeta "data" para almacenar los resultados Los "datos" deben crearse en `tesseract_tutorial/tesstrain`. ## Paso 10: Ejecute split_training_text.py Vuelve al directorio de la carpeta `tesseract_tutorial` y compila el siguiente comando; ```bash python split_training_text.py ``` Después de ejecutar `split_training_text.py`, se crearán los archivos `.box` y `.tif` en la carpeta "data". ### Solución de problemas: Advertencia de Fontconfig: "/tmp/fonts.conf", línea 4: nombre de directorio de fuentes vacío ignorado ![](/static-assets/ocr/how-to/ocr-custom-font-training/fontconfig_warning.png) Este problema es causado por el directorio de fuentes en la carpeta de Ubuntu no se puede encontrar y se puede resolver mediante la inserción de estas líneas de código en `tesseract_tutorial/fonts.conf`. ![](/static-assets/ocr/how-to/ocr-custom-font-training/fontconfig_dir.png.png) y ```