Tesseract 5でC#を使用してカスタムフォントをトレーニングする方法

トレーニング環境をどのようにセットアップしますか？

Install-Package IronOcr

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

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

トレーニングのためにフォントをどのように準備しますか？

cd /
cd /mnt/d

cd /
cd /mnt/d

フォントファイルをUbuntuフォントフォルダにどのようにコピーしますか？

Tesseractはトレーニング画像を構築するためにあなたのフォントでサンプルテキストをレンダリングするので、フォントはWindowsだけでなくLinux側にもインストールされている必要があります。 フォントファイルをUbuntuのフォントディレクトリ:/usr/share/fonts と /usr/local/share/fonts にコピーします。 最も簡単な方法は、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 Windows から Ubuntu のファイルシステムを参照し、そこから .ttf をドラッグして移動させることです。

Ubuntuフォントディレクトリに着地したら、フォントのコピーはこのように見えるはずです:

宛先フォルダーへのアクセスが拒否された場合はどうしますか？

ファイルエクスプローラがコピーを拒否した場合、代わりにルートシェルから実行します:

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
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

GitHubからトレーニングリポジトリをどのようにクローンしますか？

トレーニングパイプラインは3つのリポジトリに依存しています。 最初にチュートリアルラッパーをクローンし、その中に2つの上流のTesseractリポジトリをクローンし、出力フォルダーを作成します:

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は、各トレーニングステップ（テキスト生成、画像レンダリング、トレーニングペア作成）を駆動するPythonスクリプトと構成ファイルをまとめています。
• tesstrainは実際のトレーニングの実行を駆動するMakefileを含んでいます。
• Tesseractには、カスタムトレーニングの初期モデルとして使用される標準の.traineddataファイルが含まれたtessdataフォルダが含まれています。
• tesstrain/data には、生成された .box ファイル（文字のバウンディングボックス）、.tif 画像、および中間 LSTM チェックポイントがすべて格納されます。

ターミナルでクローンシーケンスがどのように見えるべきかは以下の通りです:

カスタムのものと一緒に多言語パックを扱うには、国際的な言語ガイドを参照してください。

トレーニングファイルをどのように生成しますか？

split_training_text.pyスクリプトをどのように実行しますか？

Tesseract_tutorialフォルダーから実行します:

python split_training_text.py

python split_training_text.py

SHELL

このスクリプトは、トレーニングサンプルごとに 1 組の .box / .tif を生成し、それらを data フォルダに書き込みます。

スクリプトの実行がトレーニングペアを生成する様子は以下の通りです:

fontconfigの警告をどのように修正しますか？

Fontconfig warning: "/tmp/fonts.conf, line 4: empty font directory name ignored"の警告が表示された場合、fontconfigはフォントディレクトリを解決できません。 tesseract_tutorial/fonts.conf を編集して修正してください：

<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

/etc/fontsにコピーします:

cp fonts.conf /etc/fonts

cp fonts.conf /etc/fonts

SHELL

次に、split_training_text.pyを同じパスに設定してください：

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

PYTHON

いくつのトレーニングファイルを生成すべきですか？

デフォルトでは、スクリプトは100のトレーニングペアを生成します。 split_training_text.py の上部付近にあるカウントを変更してください：

サイズガイダンス:

• 100-500サンプルはパイプラインがエンドツーエンドで機能することを確認するのに十分です。
• 1000-5000サンプルは生産精度の動作範囲です。
• トレーニングテキストはフォントが認識するすべての文字を何度もカバーする必要があります。
• より多くのサンプルがより長いトレーニング時間を意味します; あなたの精度目標に合った最小のカウントを選びます。

カスタムフォントトレーニングデータファイルをどのように構築しますか？

tesstrainフォルダから実行します:

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はカスタムフォントの名前です（出力ファイル名に使用されます）。
• START_MODEL は、上記でダウンロードしたベースの .traineddata です。
• MAX_ITERATIONSはトレーニング実行をキャップします; より高い値は通常、エラーレートを低下させます。

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

どのように"Failed to Load Script Unicharset"を修正しますか?

langdata_lstm から Latin.unicharset をダウンロードし、tesstrain/data/langdata フォルダに配置してください。

.unicharset ファイルは、トレーナーが出力できる文字を定義しています。 フォントに含まれるすべての文字を網羅したファイルを使用してください。例えば、キリル文字フォントの場合は Cyrillic.unicharset、デーヴァナーガリー文字の場合は Devanagari.unicharset などです。

tesstrain が .traineddata ファイルを生成する際、正常なトレーニング実行の結果は以下のようになります：

トレーニングデータファイルの精度をどのように検証しますか？

1000個のAMGDT.traineddataのトレーニング誤り率（BCER）は約5.77%に達しました。

IronOCRで学習済みモデルをテストするには、UseCustomTesseractLanguageFileをファイルに向け、サンプル画像を読み込んでください：

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

Confidence プロパティは、ドキュメントごとのスコアです； もしきれいな入力でも低いままであれば、最も一般的な原因はトレーニングサンプルが少なすぎるか、スクリプトに合わないベースモデルです。 .traineddata の検証が完了したら、カスタム言語ファイルの読み込みに関する一般的なワークフローについては、カスタム言語ガイドを参照してください。

カスタムフォントトレーニングの重要ポイントは何ですか？

カスタムフォントのトレーニングは一度設定すれば完了します。対象のフォントから .box / .tif のペアを生成し、tesstrain を使用して .traineddata モデルを構築し、UseCustomTesseractLanguageFile を通じて読み込みます。 そこからIronOCRは、新しいモデルで画像を読み込み、標準の英語を読み込むのと全く同じ方法で行います。

IronOCRをカスタムTesseractモデルと使用する主な利点：

• 標準のTesseractアーティファクトを再利用：tesstrainでビルド可能な.traineddataファイルは、変換なしでIronOCRで動作します。
• クロスプラットフォームの出力：トレーニングにはLinux（またはWSL2）が必要ですが、トレーニングされたファイルはWindows、macOS、Linux、Dockerでアプリケーションの一部として出荷されます。
• APIの他の部分と共に使用：カスタムフォントを複数の補助言語、画像品質補正、およびDPI調整と組み合わせても、認識パスを変更しません。
• 調整可能な精度：エラー率はトレーニングサンプルとイテレーション数の関数です。 両方のパラメータ（スクリプトのサンプル数と MAX_ITERATIONS）が公開されているため、Tesseract を離れることなく、トレーニング時間と BCER のトレードオフを調整できます。

より大きなパイプラインでは、進捗トラッキングと非同期処理を検討してください。トレーニングされたモデルを多数のドキュメントで適用するときに便利です。