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 を直接お使いのコンピュータ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 から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をインストールしてセットアップする
こちらはWSL2とUbuntuを設定するためのチュートリアルです。
** 現在、カスタムフォントのトレーニングはLinux上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 または .otf のどちらでも可能です。
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する
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。 https://github.com/astutejoe/tesseract_tutorial.git を次のコマンドを使用して
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、.traineddataファイルを作成するために使用される「Makefile」ファイルが含まれています(このチュートリアルの目的)。
- tesseractには「tessdata」フォルダが含まれており、これはカスタムフォントトレーニングに使用される参照用のオリジナル.traindataファイルのコンテナです。
手順9:“data”フォルダーを作成して出力を保存する
"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.py
split_training_text.py
を実行すると、「data」フォルダに.box
ファイルと.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フォルダー内のフォントディレクトリが見つからないことによって引き起こされ、次のコード行をtesseract_tutorial/fonts.conf
に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'
注記: トレーニングファイル(.box および .tif)数
現在、トレーニングファイルの数は100です。このトレーニングファイルの数は、split_training_text.py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から入手できます: 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 = あなた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 - メイクファイル
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
「Failed to load script unicharset from:data/langdata/Latin.unicharset」は、Latin.unicharset
を tesstrain/data/langdata
フォルダー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。
さらなる読書と参考のために:ref: https://www.youtube.com/watch?v=KE4xEzFGSU8