Tesseract 5를 사용하여 C#에서 커스텀 폰트를 훈련하는 방법

교육 환경을 어떻게 설정합니까?

Install-Package IronOcr

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

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

교육을 위해 폰트를 어떻게 준비합니까?

cd /
cd /mnt/d

cd /
cd /mnt/d

폰트 파일을 우분투 폰트 폴더에 어떻게 복사합니까?

Tesseract는 교육 이미지를 빌드하기 위해 귀하의 폰트로 샘플 텍스트를 렌더링하므로 폰트는 Windows에만 설치될 수 없습니다. Linux 쪽에도 설치되어야 합니다. 폰트 파일을 우분투 폰트 디렉토리인 /usr/share/fonts와 /usr/local/share/fonts에 복사하세요. 가장 간단한 방법은 파일 탐색기의 주소 표시줄에 \wsl$를 입력하여 Windows에서 Ubuntu 파일 시스템을 탐색한 다음, .ttf를 드래그하여 옮기는 것입니다.

폰트 복사가 우분투 폰트 디렉터리에 도착한 후 어떻게 보여야 하는지:

목적지 폴더 액세스가 거부되면 어떻게 하나요?

파일 탐색기가 복사를 거부하면, 대신 루트 셸에서 실행하세요:

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

GitHub에서 교육 저장소를 어떻게 복제합니까?

교육 파이프라인은 세 개의 저장소에 의존합니다. 먼저 튜토리얼 래퍼를 복제한 다음 그 안에 두 개의 상위 Tesseract 저장소를 복제한 다음 출력 폴더를 만드십시오:

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_tutorial은 각 교육 단계(텍스트 생성, 이미지 렌더링, 교육 쌍 생성)를 실행하는 Python 스크립트와 구성 파일을 번들로 제공합니다.
• tesstrain은 실제 교육 실행을 추진하는 Makefile을 포함합니다.
• Tesseract에는 사용자 지정 훈련의 시작 모델로 사용되는 기본 .traineddata 파일이 포함된 tessdata 폴더가 있습니다.
• tesstrain/data는 생성된 .box 파일(문자 경계 상자), .tif 이미지 및 중간 LSTM 체크포인트가 모두 저장되는 위치입니다.

터미널에서 복제 시퀀스가 어떻게 보여야 하는지:

사용자 정의 언어와 함께 여러 언어 팩을 작업하는 방법은 국제 언어 가이드를 참조하세요.

훈련 파일을 어떻게 생성합니까?

split_training_text.py 스크립트를 어떻게 실행합니까?

Tesseract_tutorial 폴더에서 실행하십시오:

python split_training_text.py

python split_training_text.py

SHELL

이 스크립트는 훈련 샘플 하나당 .box / .tif 쌍을 하나씩 생성하여 데이터 폴더에 기록합니다.

스크립트 실행이 훈련 쌍을 생성하는 모습을 다음과 같이 보여야 합니다:

Fontconfig 경고를 어떻게 수정합니까?

Fontconfig warning: "/tmp/fonts.conf, line 4: 빈 폰트 디렉토리 이름 무시됨"이라는 경고가 표시되면, fontconfig는 폰트 디렉토리를 해결할 수 없습니다. tesseract_tutorial/fonts.conf를 편집하여 수정하십시오:

<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/fonts로 복사하세요:

cp fonts.conf /etc/fonts

cp fonts.conf /etc/fonts

SHELL

그런 다음 split_training_text.py를 동일한 경로로 지정하십시오:

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

PYTHON

얼마나 많은 훈련 파일을 생성해야 하나요?

기본적으로 스크립트는 100개의 훈련 쌍을 생성합니다. split_training_text.py 상단 부근의 개수 표시를 변경하십시오:

크기 지침:

• 파이프라인이 끝에서 끝으로 작동하는지 확인하기 위해 100-500개의 샘플이 충분합니다.
• 1000-5000개의 샘플은 생산 정확성을 위한 작업 범위입니다.
• 훈련 텍스트는 귀하의 폰트가 인식해야 하는 모든 문자를 커버해야 하며, 이상적으로는 각각 여러 번 인식해야 합니다.
• 더 많은 샘플은 더 많은 교육 시간을 의미합니다; 목표 정확도를 달성하기 위해 가장 적은 개수를 선택하십시오.

내 사용자 정의 폰트 훈련 데이터 파일을 어떻게 빌드합니까?

tesstrain 폴더에서 실행합니다:

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_NAME은 귀하의 사용자 정의 폰트 이름입니다 (출력 파일 이름에 사용됩니다).
• START_MODEL은 위에서 다운로드한 기본 .traineddata입니다.
• MAX_ITERATIONS는 훈련 실행의 최대치를 제한합니다; 높은 값은 일반적으로 오류율을 줄입니다.

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

"스크립트 유니카셋 로드 실패" 오류를 어떻게 해결하나요?

langdata_lstm에서 Latin.unicharset을 다운로드하여 tesstrain/data/langdata 폴더에 저장하십시오.

.unicharset 파일은 트레이너가 출력할 수 있는 문자를 정의합니다. 사용 중인 글꼴의 모든 문자를 포함하는 파일을 사용하십시오. 예를 들어 키릴 문자 글꼴의 경우 Cyrillic.unicharset, 데바나가리 문자 글꼴의 경우 Devanagari.unicharset를 사용하십시오.

tesstrain이 .traineddata 파일을 생성할 때 성공적인 훈련 실행 결과는 다음과 같아야 합니다:

훈련된 데이터 파일의 정확성을 어떻게 확인합니까?

1,000개의 .box 및 .tif 파일과 3,000회의 훈련 반복을 통해, 출력 AMGDT.traineddata은 약 5.77%의 훈련 오류율(BCER)을 달성했습니다.

IronOCR로 훈련된 모델을 테스트하려면 UseCustomTesseractLanguageFile을(를) 파일에 지정하고 샘플 이미지를 읽어보세요:

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 속성은 문서별 점수입니다; 깨끗한 입력에서도 낮은 수준으로 유지되면 가장 일반적인 원인은 훈련 샘플이 너무 적거나 스크립트와 일치하지 않는 기본 모델입니다. .traineddata이 검증되면, 사용자 정의 언어 파일을 로드하는 일반적인 워크플로에 대해서는 사용자 정의 언어 가이드를 참조하십시오.

사용자 정의 폰트 훈련에 대한 주요 내용을 무엇입니까?

사용자 지정 글꼴 훈련은 일회성 설정입니다. 대상 글꼴에서 .box / .tif 쌍을 생성하고, tesstrain을 사용하여 .traineddata 모델을 구축한 다음, UseCustomTesseractLanguageFile을 통해 모델을 로드합니다. 그곳에서 IronOCR은 새 모델로 이미지를 읽으며, 주식 영어를 읽는 것과 정확히 동일합니다.

사용자 정의 Tesseract 모델과 함께 IronOCR을 사용하는 주요 장점:

• 표준 Tesseract 아티팩트를 재사용합니다: tesstrain으로 빌드할 수 있는 모든 .traineddata 파일은 변환 과정 없이 IronOCR에서 바로 사용할 수 있습니다.
• 크로스 플랫폼 출력: 교육은 Linux(또는 WSL2)가 필요하지만 훈련된 파일은 Windows, macOS, Linux 및 Docker에서 애플리케이션과 함께 발송됩니다.
• 나머지 API와 함께 드롭인: 사용자 정의 폰트를 다중 보조 언어, 이미지 품질 보정, DPI 조정과 결합하여 인식 경로를 변경하지 않고 사용할 수 있습니다.
• 조정 가능한 정확도: 오류율은 훈련 샘플 수와 반복 횟수의 함수입니다. 두 가지 조정 매개변수(스크립트의 샘플 수와 MAX_ITERATIONS)가 모두 노출되어 있으므로, Tesseract를 벗어나지 않고도 훈련 시간과 BCER 간의 균형을 조정할 수 있습니다.

더 큰 파이프라인의 경우, 훈련된 모델을 여러 문서에 적용할 때 진행 상황 추적 및 비동기 처리를 고려하십시오.