Windows開発者向けTesseract 5のカスタムフォントトレーニング

Tesseract 5のカスタムフォントトレーニングは、特定のフォントのOCR精度を向上させます。 このプロセスでは、エンジンのフォント特性を学習するためのトレーニングデータを作成します。 出来上がった.traineddataファイルはIronOCRと連携し、装飾フォントや特殊フォントを正確に認識します。

クイックスタート: C# で .traineddata フォント ファイルを使用する

カスタムトレーニングされたTesseractフォントファイルをわずか数行でIronOCRで使用することができます。 特殊フォントや装飾フォントの正確なOCRに最適です。

IronOCRの最新版をダウンロードするには？ ### どのインストール方法を使用すべきですか? [IronOCR DLL を](/csharp/ocr/packages/IronOcr.zip)マシンに直接ダウンロードします。 ### なぜNuGetを代わりに使うのですか? あるいは、[NuGet](https://www.nuget.org/packages/IronOcr/)からこのコマンドでインストールしてください： ```shell :ProductInstall ``` IronOCR は[、Tesseract 5 の機能](https://ironsoftware.com/csharp/ocr/tutorials/c-sharp-tesseract-ocr/)と[カスタム言語の実装](https://ironsoftware.com/csharp/ocr/examples/ocr-tesseract-custom-languages/)を包括的にサポートしており、特殊な OCR 要件に最適です。 ---

WSL2とUbuntuのインストールとセットアップ方法は？ [WSL2 と Ubuntu のセットアップ](https://ubuntu.com/tutorials/install-ubuntu-on-wsl2-on-windows-10)に関するチュートリアルを参照してください。 カスタムフォントのトレーニングにはLinuxが必要です。 トレーニングにはLinuxが必要ですが、出来上がった`.traineddata`ファイルはすべてのプラットフォームでシームレスに動作します。 Linux の詳細なセットアップ手順については、[Linux 導入ガイド](https://ironsoftware.com/csharp/ocr/get-started/linux/)を参照してください。

UbuntuにTesseract 5をインストールするには？ Tesseract 5をインストールするには、以下のコマンドを使用します： ```bash sudo apt install tesseract-ocr sudo apt install libtesseract-dev ``` これらのパッケージは、トレーニングに必要なTesseract OCRエンジンと開発ライブラリを提供します。 Tesseractの高度な設定オプションについては、[詳細設定ガイド](https://ironsoftware.com/csharp/ocr/examples/csharp-configure-setup-tesseract/)をご参照ください。 ## トレーニング用にどのフォントをダウンロードすればよいですか? このチュートリアルでは、AMGDT フォントを使用しています。 フォント ファイルは .ttf または .otf のいずれかになります。 [ダウンロードしたAMGDT Regular.ttfフォントファイルをトレーニング用に赤枠で強調表示したWindowsファイルエクスプローラー](/static-assets/ocr/how-to/ocr-custom-font-training/example_of_downloaded_font_file.png)。 トレーニング用のフォントを選択する場合 - 標準的なTesseractモデルとは大きく異なるフォントを選択すること。 - フォントの適切なライセンスの確保 - 装飾的なフォント、手書きフォント、または特殊な業界フォントを考慮してください。 - アプリケーションが本番環境で使用するフォントでテストしてください。 ## カスタム フォント トレーニング用のディスク ドライブをマウントするにはどうすればよいですか? これらのコマンドを使用して、`D:`ドライブを作業スペースとしてマウントしてください： ```bash cd / cd /mnt/d ``` これにより、Ubuntu WSL2環境からWindowsドライブに保存されたファイルを直接操作できるようになります。 ## フォント ファイルを Ubuntu フォント フォルダーにコピーするにはどうすればよいですか? フォントファイルを以下のUbuntuディレクトリにコピーしてください：`/usr/share/fonts`と`/usr/local/share/fonts`です。 ファイル エクスプローラーのアドレス バーに`\\wsl$`と入力して、Ubuntu のファイルにアクセスします。 [Windows File Explorer showing \wsl$ network path for accessing Ubuntu filesystem from Windows](/static-assets/ocr/how-to/ocr-custom-font-training/ubutu_folder_directory.png) ### デスティネーション フォルダーへのアクセスが拒否された場合はどうすればよいですか? アクセス拒否エラーが発生した場合は、コマンドラインを使用してファイルをコピーしてください： ```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 exit ``` フォントのインストールは、トレーニングプロセスにとって非常に重要です。 システムは、トレーニング画像を生成する際にフォントをレンダリングするためのアクセスが必要です。 ## GitHubから`tesseract_tutorial`をクローンするには? このコマンドを使用して、`tesseract_tutorial`リポジトリをクローンします： ```bash git clone https://github.com/astutejoe/tesseract_tutorial.git ``` このリポジトリには、トレーニングプロセスに不可欠なPythonスクリプトと設定ファイルが含まれています。 スクリプトは、フォントトレーニングにおける多くの手動ステップを自動化します。 ## GitHubから`tesstrain`と`tesseract`をクローンするにはどうすればよいですか? `tesseract_tutorial`ディレクトリに移動し、 `tesstrain`および`tesseract`リポジトリのクローンを作成します。 ```bash git clone https://github.com/tesseract-ocr/tesstrain git clone https://github.com/tesseract-ocr/tesseract ``` - `tesstrain`には、`.traineddata`ファイルを作成するためのMakefileが含まれています。 - `tesseract`は、カスタムフォントのトレーニング中に参照として使用されたオリジナルの`.traineddata`ファイルを含むtessdataフォルダを含んでいます。 複数の言語パックとカスタムトレーニングデータを使用する場合の詳細については、[国際言語ガイド](https://ironsoftware.com/csharp/ocr/examples/intl-languages/)を参照してください。 ## 出力を保存するための"data"フォルダを作成するにはどうすればよいですか? `tesseract_tutorial/tesstrain`内にデータフォルダを作成します： ```bash mkdir tesseract_tutorial/tesstrain/data ``` このフォルダには、.box、.tif、および中間トレーニング成果物を含む、生成されたすべてのトレーニングファイルが保存されます。 ## `split_training_text.py`を実行するにはどうすればよいですか? `tesseract_tutorial`フォルダに戻り、このコマンドを実行します： ```shell python split_training_text.py ``` `split_training_text.py`を実行すると、データフォルダに`.box`と`.tif`ファイルが作成されます。 ### Fontconfigの警告を修正するにはどうすればよいですか? [Terminal showing fontconfig warnings about missing Apex font and empty font directory errors](/static-assets/ocr/how-to/ocr-custom-font-training/fontconfig_warning.png). 警告 `Fontconfig warning："/tmp/fonts.conf, line 4: empty font directory name ignored"`という警告が表示された場合は、フォントディレクトリがないことを示しています。 `tesseract_tutorial/fonts.conf`ファイルを編集し、追加することで修正してください： ```xml /usr/share/fonts /usr/local/share/fonts fonts ~/.fonts ``` 次のようにして`/etc/fonts`にコピーします。 ```bash cp fonts.conf /etc/fonts ``` さらに、 `split_training_text.py`を更新します。 ```python fontconf_dir = '/etc/fonts' ``` ### トレーニングファイルはいくつ作成すればよいですか? 現在の設定では、100個のトレーニングファイルが生成されます。 `split_training_text.py`で修正できます。 [トレーニングデータのサイズを制限するためにcount=100を設定し、行の配列をスライスするPythonコード](/static-assets/ocr/how-to/ocr-custom-font-training/number_of_trainfile.png)。 プロダクション品質のトレーニング - テスト用に100～500のサンプルからスタート - 精度を高めるため、1000～5000サンプルを使用してください。 - 必要なすべての文字をカバーする多様なテキストサンプルを含む - トレーニング時間と要求精度のバランス ## `eng.traineddata`はどこでダウンロードできますか? この[リポジトリ](https://github.com/tesseract-ocr/tessdata_best)から`eng.traineddata`ダウンロードし、 `tesseract_tutorial/tesseract/tessdata`に配置します。 ベースモデルは、認識精度を向上させる言語的コンテキストを提供します。 ターゲット言語に合ったベースモデルを選択します。 カスタム言語パックの問題のトラブルシューティングについては、[カスタム OCR 言語パック ガイド](https://ironsoftware.com/csharp/ocr/troubleshooting/custom-ocr-language-packs/)を参照してください。 ## カスタムフォント`.traineddata`を作成するにはどうすればよいですか? `tesstrain`フォルダに移動し、WSL2でこのコマンドを使用してください： ```bash TESSDATA_PREFIX=../tesseract/tessdata make training MODEL_NAME=AMGDT START_MODEL=eng TESSDATA=../tesseract/tessdata MAX_ITERATIONS=100 ``` - `MODEL_NAME`はカスタムフォント名です。 - `START_MODEL`はオリジナルの`.traineddata`リファレンスです。 - `MAX_ITERATIONS`は反復回数を定義します（反復回数が多いほど精度が向上します）。 ### Makefileで "Failed to Read Data "と表示されたら? "データの読み取りに失敗しました"問題を解決するには、Makefile を変更します。 ```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 ``` この修正により、Makefile は正しい出力ディレクトリ構造でファイルを探すようになります。 ### どのように"Failed to Load Script Unicharset"を修正しますか? `Latin.unicharset` `tesstrain/data/langdata`フォルダーに挿入します。 Latin.unicharset [こちら](https://github.com/tesseract-ocr/langdata_lstm)を検索してください。 unicharsetファイルは、あなたの言語またはスクリプトの文字セットを定義します。 フォントの文字範囲に合っていることを確認してください。 ## 作成された`.traineddata`の正確性を確認するにはどうすればよいですか? 1000個の` .box`ファイルと` .tif`ファイル、および3000回の学習反復により、出力`AMGDT.traineddata`は約5.77%の最小学習エラー率（`BCER`）を達成しました。 [反復2194-2298にわたってBCERが6.388%から5.771%に向上したことを示すTesseractトレーニングログ](/static-assets/ocr/how-to/ocr-custom-font-training/traineddata_accuracy.png)。 学習したモデルをIronOCRでテストする： ```cs using IronOcr; // Initialize IronOCR with custom trained data var ocr = new IronTesseract(); // Load your custom trained font ocr.UseCustomTesseractLanguageFile(@"path\to\AMGDT.traineddata"); // Configure for optimal results ocr.Configuration.BlackListCharacters = ""; ocr.Configuration.WhiteListCharacters = ""; ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd; // Process an image with your custom font using var input = new OcrInput(); input.LoadImage("test-image-with-amgdt-font.png"); // Optional: Apply filters if needed input.EnhanceResolution(300); input.DeNoise(); // Perform OCR var result = ocr.Read(input); Console.WriteLine($"Recognized Text: {result.Text}"); Console.WriteLine($"Confidence: {result.Confidence}%"); ``` 本番アプリケーションにカスタムフォントを実装するには、[カスタム言語ファイルの使用](https://ironsoftware.com/csharp/ocr/how-to/ocr-custom-language/)に関するガイドをご覧ください。 さらに詳しい情報や参考資料については、チュートリアルをご覧ください: [YouTubeビデオ](https://www.youtube.com/watch?v=KE4xEzFGSU8)