Comment entraîner une police personnalisée avec Tesseract 5 en C

Comment configurer l'environnement de formation?

Install-Package IronOcr

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

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

Comment préparer la police pour l'entraînement?

cd /
cd /mnt/d

cd /
cd /mnt/d

Comment copier le fichier de police dans le dossier de police d'Ubuntu?

Tesseract rend le texte échantillon dans votre police pour construire des images d'entraînement, donc la police doit être installée du côté Linux, pas seulement sur Windows. Copiez le fichier de police dans les deux répertoires de polices d'Ubuntu : /usr/share/fonts et /usr/local/share/fonts. La méthode la plus simple consiste à taper \wsl$ dans la barre d'adresse de l'Explorateur de fichiers pour parcourir le système de fichiers Ubuntu depuis Windows, puis à faire glisser le .ttf.

Voici à quoi devrait ressembler la copie de la police une fois qu'elle arrive dans le répertoire de polices d'Ubuntu :

Que faire si je reçois un accès refusé au dossier de destination?

Si File Explorer rejette la copie, exécutez-la à partir d'une shell root à la place :

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

Comment cloner les dépôts de formation depuis GitHub?

Le pipeline de formation dépend de trois dépôts. Clonez d'abord le wrapper de tutoriel, puis les deux dépôts Tesseract en amont à l'intérieur, puis créez le dossier de sortie :

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 regroupe les scripts Python et les fichiers de config qui dirigent chaque étape d'entraînement (génération de texte, rendu d'image, création de paires d'entraînement).
• tesstrain contient le Makefile qui dirige l'exécution réelle de l'entraînement.
• Tesseract contient le dossier tessdata avec des fichiers .traineddata de base utilisés comme modèle de départ pour l'entraînement personnalisé.
• tesstrain/data est l'emplacement où sont stockés les fichiers .box générés (boîtes de délimitation des caractères), les images .tif et les points de contrôle LSTM intermédiaires.

Voici à quoi devrait ressembler la séquence de clonage dans le terminal :

Pour travailler avec plusieurs packs de langues aux côtés d'un pack personnalisé, consultez notre guide des langues internationales.

Comment générer des fichiers d'entraînement?

Comment exécuter le script split_training_text.py?

Depuis le dossier Tesseract_tutorial, exécutez :

python split_training_text.py

python split_training_text.py

SHELL

Le script génère une paire .box / .tif par échantillon d'entraînement et les écrit dans le dossier de données.

Voici à quoi devrait ressembler l'exécution du script lorsqu'il génère les paires d'entraînement :

Comment corriger l'avertissement Fontconfig?

Si vous voyez l'avertissement Fontconfig warning: "/tmp/fonts.conf, line 4: empty font directory name ignored", fontconfig ne peut pas résoudre les répertoires de polices. Corrigez-le en modifiant 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

Copiez-le dans /etc/fonts :

cp fonts.conf /etc/fonts

cp fonts.conf /etc/fonts

SHELL

Puis pointez split_training_text.py vers le même chemin :

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

PYTHON

Combien de fichiers d'entraînement dois-je générer?

Par défaut, le script génère 100 paires d'entraînement. Modifier le nombre en haut de split_training_text.py :

Conseils de dimensionnement :

• 100-500 échantillons suffisent pour confirmer que le pipeline fonctionne de bout en bout.
• 1000-5000 échantillons constituent la fourchette de travail pour la précision de production.
• Le texte d'entraînement doit couvrir chaque caractère que votre police doit reconnaître, idéalement plusieurs fois chacun.
• Plus d'échantillons signifie plus de temps d'entraînement ; choisissez le nombre le plus petit qui atteint votre objectif de précision.

Comment construire mon fichier de données entraîné de police personnalisée?

Depuis le dossier tesstrain, exécutez :

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 est le nom de votre police personnalisée (utilisé pour le nom de fichier de sortie).
• START_MODEL est le fichier de base .traineddata que vous avez téléchargé ci-dessus.
• MAX_ITERATIONS limite l'exécution de l'entraînement ; des valeurs plus élevées réduisent généralement le taux d'erreur.

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

Comment corriger le message "Failed to Load Script Unicharset" ?

Téléchargez Latin.unicharset depuis langdata_lstm et placez-le dans le dossier tesstrain/data/langdata.

Le fichier .unicharset définit les caractères que le générateur est autorisé à produire. Utilisez le fichier qui couvre tous les caractères de votre police, par exemple Cyrillic.unicharset pour les polices cyrilliques ou Devanagari.unicharset pour le devanagari.

Voici à quoi devrait ressembler une session d'entraînement réussie lorsque tesstrain génère le fichier .traineddata :

Comment vérifier la précision de mon fichier de données entraîné?

Avec 1 000 fichiers .box et .tif et 3 000 itérations d'entraînement, la sortie AMGDT.traineddata atteint un taux d'erreur d'entraînement (BCER) d'environ 5,77 %.

Pour tester le modèle entraîné avec IronOCR, pointez UseCustomTesseractLanguageFile vers le fichier et lisez une image d'exemple :

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 propriété Confidence correspond au score par document ; s'il reste bas même sur des entrées propres, les causes les plus courantes sont un nombre trop faible d'échantillons d'entraînement ou un modèle de base qui ne correspond pas au script. Une fois votre .traineddata vérifié, consultez notre guide des langues personnalisées pour connaître le processus général de chargement d'un fichier de langue personnalisé.

Quels sont les points clés à retenir pour l'entraînement de polices personnalisées ?

L'entraînement d'une police personnalisée est une configuration ponctuelle : générez des paires .box / .tif à partir de votre police cible, construisez un modèle .traineddata avec tesstrain, puis chargez-le via UseCustomTesseractLanguageFile. À partir de là, IronOCR lit les images avec le nouveau modèle exactement de la même manière qu'il lit l'anglais de base.

Principaux avantages de l'utilisation d'IronOCR avec un modèle Tesseract personnalisé :

• Réutilise les artefacts Tesseract standard : tout fichier .traineddata que vous pouvez créer avec tesstrain fonctionne dans IronOCR sans conversion.
• Sortie multiplateforme : l'entraînement nécessite Linux (ou WSL2), mais le fichier entraîné est livré avec votre application sur Windows, macOS, Linux et Docker.
• Insertion directe avec le reste de l'API : combinez des polices personnalisées avec plusieurs langues secondaires, correction de la qualité de l'image, et réglage du DPI sans changer le chemin de reconnaissance.
• Précision réglable : le taux d'erreur est une fonction des échantillons d'entraînement multipliée par les itérations. Les deux paramètres sont accessibles (le nombre d'échantillons du script plus MAX_ITERATIONS) afin que vous puissiez ajuster le compromis entre le temps de formation et le BCER sans quitter Tesseract.

Pour les pipelines plus importants, envisagez le suivi de progression et le traitement asynchrone lorsque vous appliquez votre modèle entraîné à de nombreux documents.