Windowsユーザー向けのTesseract 5用C#カスタムフォントトレーニング
Tesseract 5のためのカスタムフォントトレーニングを利用して、特定のフォントやデフォルトでは十分にサポートされていないフォントスタイルを使用する際に、OCRエンジンの精度と認識能力を向上させましょう。
このプロセスには、フォントサンプルと対応するテキストなどのトレーニングデータをTesseractに提供し、カスタムフォントの特定の特徴とパターンを学習させることが含まれます。
IronOCRを始めましょう
今日から無料トライアルでIronOCRをあなたのプロジェクトで使い始めましょう。
C#でTesseractのカスタムフォントを使用する方法
- Tesseractでカスタムフォントを訓練するためのC#ライブラリをダウンロード
- トレーニングに使用する対象フォントファイルを準備する
- 記事に記載されている手順に従ってください
- 一般的なエラーに対する解決策が含まれています
- 学習データファイルをエクスポートしてさらに利用します
ステップ1: 最新バージョンのIronOCRをダウンロード
DLL経由でインストール
IronOcr DLL を直接コンピューターにダウンロードしてください。
NuGetでインストール
または、NuGetを通じてインストールすることもできます。
Install-Package IronOcr
ステップ2: WSL2とUbuntuのインストールとセットアップ
ここにWSL2とUbuntuのセットアップに関するチュートリアルがあります。現在、カスタムフォントのトレーニングはLinuxでのみ行うことができます。
ステップ3：UbuntuにTesseract 5をインストール
sudo apt install tesseract-ocr
sudo apt install libtesseract-devステップ4: トレーニングしたいフォントをダウンロードする
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でも.otfでも可能です 
ステップ5: カスタムフォントトレーニング用の作業スペースのディスクドライブをマウントする
以下のコマンドは、ドライブD:を作業スペースとしてマウントする方法を示しています。
cd /
cd /mnt/dステップ6: フォントファイルをUbuntuのフォントフォルダにコピー
以下は、Ubuntuフォントフォルダーのディレクトリです: Ubuntu/usr/share/fonts と Ubuntu/usr/local/share/fonts。
** Ubuntuでファイルにアクセスするには、ファイルエクスプローラーのディレクトリで\\\wsl$を入力してください。
トラブルシューティング: 送信先フォルダーへのアクセスが拒否されました
この問題は、コマンドラインを使用してファイルをコピーすることで解決できます。
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ステップ 7: Githubからtesseract_tutorialをクローンする
tesseract_tutorial リポジトリは次のURLからクローンできます。 以下のコマンドを使用してhttps://github.com/astutejoe/tesseract_tutorial.git
git clone https://github.com/astutejoe/tesseract_tutorial.gitステップ 8: Github から tesstrain と tesseract をクローンする
tesseract_tutorial フォルダディレクトリに移動し、次に git clone https://github.com/tesseract-ocr/tesstrain および https://github.com/tesseract-ocr/tesseract を実行します
tesstrainには "Makefile" ファイルが含まれており、.traineddata ファイルの作成に使用されます（このチュートリアルの目的）。tesseractには、「tessdata」フォルダーが含まれており、これはカスタムフォントトレーニングの参照として使用されるオリジナルの.traindataファイルのコンテナです。
ステップ9: 出力を保存するための「data」フォルダーを作成する
"data"はtesseract_tutorial/tesstrainに作成される必要があります。
ステップ10: split_training_text.py を実行する
tesseract_tutorial フォルダディレクトリに戻った後、次のコマンドをコンパイルします;
python split_training_text.pysplit_training_text.pyを実行した後、"data"フォルダに.boxおよび.tifファイルが作成されます。
トラブルシューティング: Fontconfig 警告: "/tmp/fonts.conf, line 4: 空のフォントディレクトリ名が無視されました
この問題は、Ubuntuフォルダ内のフォントディレクトリが見つからないことが原因で、tesseract_tutorial/fonts.confにこれらのコード行を挿入することで解決できます。
そして
<dir>/usr/share/フォント
(Note: This is a file path and does not require translation.)</dir>
<dir>/usr/local/share/フォント</dir>
<dir prefix="xdg">フォント</dir>
<!-- the following element will be removed in the future -->
<dir>~/.フォント</dir>その後、/etc/fonts にコピーします。
cp fonts.conf /etc/fonts最後に、これらのコード行をsplit_training_text.pyに追加します。
そして
fontconf_dir = '/etc/fonts'注: トレーニング（.box および .tif）ファイルの数
現在、トレーニングファイルの数は100です。 この数のトレーニングファイルは、split_training_text.py 内のこれらのコード行を編集または削除することで変更できます。
ステップ11: eng.traineddataをダウンロード
eng.traineddata は、次のURLから見つけることができます： https://github.com/tesseract-ocr/tessdata_best。 tesseract_tutorial/tesseract/tessdata にダウンロードしてください。なぜなら、tessdata_best にあるこの eng.traineddata は、tessdata フォルダーにあるオリジナルのものよりも優れているからです。
ステップ12: カスタムフォント .traineddata を作成します
tesstrainフォルダディレクトリに移動し、このコマンドラインをWSL2に入力してください
TESSDATA_PREFIX=../tesseract/tessdata make training MODEL_NAME=AMGDT START_MODEL=eng TESSDATA=../tesseract/tessdata MAX_ITERATIONS=100- トレーニングを行う =
tesstrain/Makefileでコードを実行 - MODEL_NAME = お客様のカスタムフォントの名前
- START_MODEL = 元の
.traineddataの名前 -
MAX_ITERATIONS = イテレーションの数（大きい数値ほど
.traineddataの精度が高くなります）
「Failed to read data from: 」は、Makefileのコード行を編集することで解決できます。
以前:
後:
そして
make - 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「data/langdata/Latin.unicharsetからスクリプトunicharsetの読み込みに失敗しました」という問題は、Latin.unicharsetをtesstrain/data/langdataフォルダに挿入することで解決できます。
Latin.unicharsetは次のURLで見つけることができます; https://github.com/tesseract-ocr/langdata_lstm
ステップ13: 作成された.traineddataの精度
1000の.boxファイルと.tifファイル、3000回のトレーニングを行った結果、出力.traineddta（AMGDT.traineddata）は、トレーニングエラー率（BCER）が約5.77と最小限になりました。
詳細や追加の参考資料については、こちらをご覧ください：ref: https://www.youtube.com/watch?v=KE4xEzFGSU8ustom
