Comment utiliser un langage personnalisé avec Tesseract en C

Quelles sont les données de formation dont j'ai besoin pour les langues personnalisées ?

Nous utiliserons comme entrée cet exemple de PDF, qui contient du texte dans notre langue personnalisée.

Nous utiliserons ce langage personnalisé .traindata pour notre exemple.

La qualité et l'exhaustivité de vos données d'entraînement impactent directement la précision de l'OCR. Lors de la préparation des données de formation linguistique personnalisée :

1. Couverture des caractères : Assurez-vous que vos données d'entraînement incluent tous les caractères et symboles
2. Variations de police : Incluez plusieurs styles de police si vos documents varient en typographie
3. Qualité de l'image : Entraînez-vous avec des images similaires à celles que vous traiterez en production
4. Schémas de contexte : Incluez des combinaisons de mots et des phrases courantes

Pour les options de configuration avancées, consultez notre Guide de configuration détaillé de Tesseract.

Comment charger et traiter des documents en langue personnalisée?

:path=/static-assets/ocr/content-code-examples/how-to/ocr-custom-language.cs

using IronOcr;
using System;
using System.IO;

var ocrTesseract = new IronTesseract();

// Load the traineddata file for the custom language
ocrTesseract.UseCustomTesseractLanguageFile("AMGDT.traineddata");

using var ocrInput = new OcrInput();
// Load the PDF containing text in the custom language
ocrInput.LoadPdf("custom.pdf");

var ocrResult = ocrTesseract.Read(ocrInput);

// Print text to the console
Console.WriteLine("--- OCR Result ---");
Console.WriteLine(ocrResult.Text);
Console.WriteLine("------------------");

// Pipe text to a .txt file
string outputFilePath = "ocr_output.txt";
File.WriteAllText(outputFilePath, ocrResult.Text);

Console.WriteLine($"\nSuccessfully saved text to {outputFilePath}");

Imports IronOcr
Imports System
Imports System.IO

Dim ocrTesseract As New IronTesseract()

' Load the traineddata file for the custom language
ocrTesseract.UseCustomTesseractLanguageFile("AMGDT.traineddata")

Using ocrInput As New OcrInput()
    ' Load the PDF containing text in the custom language
    ocrInput.LoadPdf("custom.pdf")

    Dim ocrResult = ocrTesseract.Read(ocrInput)

    ' Print text to the console
    Console.WriteLine("--- OCR Result ---")
    Console.WriteLine(ocrResult.Text)
    Console.WriteLine("------------------")

    ' Pipe text to a .txt file
    Dim outputFilePath As String = "ocr_output.txt"
    File.WriteAllText(outputFilePath, ocrResult.Text)

    Console.WriteLine(vbCrLf & "Successfully saved text to " & outputFilePath)
End Using

Le code ci-dessus illustre le flux de travail de base pour l'OCR d'une langue personnalisée. Pour des scénarios plus complexes, envisagez les améliorations suivantes :

Optimiser les performances : Pour les documents volumineux ou le traitement par lots, mettez en œuvre le multithreading et la prise en charge de l'asynchronisme pour améliorer les performances.

Prétraitement des images : si vos documents sources présentent des problèmes de qualité, appliquez des filtres de correction d'image avant le traitement OCR. L'Assistant de filtrage peut vous aider à trouver les paramètres de prétraitement optimaux.

OCR spécifique à la région : Pour les documents à contenu mixte, utilisez la technique OCR région d'une image pour vous concentrer sur des zones spécifiques contenant votre langue personnalisée.

Quels résultats puis-je attendre de l'OCR dans une langue spécifique?

Ce résultat affiche les données issues de notre modèle de langage personnalisé. En fournissant les bonnes données d'entraînement, IronOCR a réussi à déchiffrer le texte, et le résultat est en anglais clair. En outre, il s'agit de la sortie txt générée par le code.

La précision de l'OCR de langues personnalisées dépend de plusieurs facteurs :

• Qualité des données d'entraînement : De meilleures données d'entraînement donnent de meilleurs résultats
• Cohérence des documents : Les documents correspondant aux données d'entraînement donnent les meilleures performances
• Résolution de l'image : les images à DPI élevé produisent des résultats plus précis - voir notre guide sur les paramètres DPI

Bonnes pratiques pour la mise en œuvre d'un langage personnalisé

Lors de la mise en œuvre de l'OCR de langues personnalisées dans des environnements de production, il convient de tenir compte des meilleures pratiques suivantes :

Gestion des erreurs et validation : Vérifiez toujours que votre fichier .traineddata existe et est accessible avant de tenter de le charger. Mettre en œuvre une gestion des erreurs appropriée pour les cas où le fichier de langue personnalisé pourrait être manquant ou corrompu.

Optimisation des performances : Les modèles linguistiques personnalisés peuvent être plus volumineux que les packs linguistiques standard. Pour des performances optimales :

• Mettez en cache le modèle de langue chargé lors du traitement de plusieurs documents
• Utilisez le suivi de progression pour surveiller les opérations OCR de longue durée
• Envisagez d'implémenter des delais pour le traitement de documents volumineux

<Combinaison avec des langues standard : si vos documents contiennent à la fois des langues personnalisées et des langues standard, vous pouvez charger plusieurs langues simultanément. Ceci est particulièrement utile pour les documents à contenu mixte.

Test et validation : Établir un cadre de test pour valider la précision de l'OCR :

• Créez un ensemble de données de test avec des résultats connus
• Utilisez les mesures de confiance des résultats pour évaluer la qualité de la reconnaissance
• Implémenter mettre en évidence des textes sous forme d'images pour le débogage visuel

Cas d'utilisation avancés

L'OCR de langues personnalisées offre de nombreuses possibilités :

Préservation de documents historiques : Numériser des manuscrits anciens ou des textes écrits dans des scripts obsolètes Systèmes de notation spécialisés : Traiter les équations mathématiques, la notation musicale ou les diagrammes techniques - voir notre guide de dépannage des équations Applications de sécurité : Décoder des systèmes d'encodage ou de chiffrement propriétaires Accessibilité : Convertir des systèmes d'écriture braille ou tactiles spécialisés en texte standard

Pour des scénarios plus avancés, explorez nos exemples de code complets présentant diverses capacités d'IronOcr avec Tesseract 5.