Jak wytrenować niestandardową czcionkę z Tesseract 5 w C

Jak skonfigurować środowisko treningowe?

Install-Package IronOcr

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

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

Jak przygotować czcionkę do szkolenia?

cd /
cd /mnt/d

cd /
cd /mnt/d

Jak skopiować plik czcionki do folderu czcionek Ubuntu?

Tesseract renderuje przykładowy tekst w Twojej czcionce, aby zbudować obrazy szkoleniowe, więc czcionka musi być zainstalowana po stronie Linux, nie tylko na Windows. Skopiuj plik czcionki do obu katalogów czcionek Ubuntu: /usr/share/fonts oraz /usr/local/share/fonts. Najprostszym sposobem jest wpisanie \wsl$ w pasku adresu Eksploratora plików, aby przeglądać system plików Ubuntu z poziomu Windows, a następnie przeciągnięcie .ttf.

Oto jak kopia czcionki powinna wyglądać po umieszczeniu w katalogu czcionek Ubuntu:

Co zrobić, jeśli pojawi się komunikat Brak dostępu do folderu docelowego?

Jeśli Eksplorator plików odrzuci kopiowanie, uruchom je z powłoki root:

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

Jak sklonować repozytoria szkoleniowe z GitHub?

Przepływ szkoleniowy zależy od trzech repozytoriów. Najpierw sklonuj obudowę tutorialu, następnie dwa główne repozytoria Tesseract wewnątrz niego, a potem stwórz folder wyjściowy:

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 zawiera skrypty Python i pliki konfiguracyjne, które kierują każdym krokiem szkolenia (generowanie tekstu, renderowanie obrazów, tworzenie par treningowych).
• tesstrain zawiera Makefile, który napędza rzeczywiste uruchomienie szkolenia.
• Tesseract zawiera folder tessdata z plikami .traineddata, które służą jako model wyjściowy do niestandardowego szkolenia.
• tesstrain/data to miejsce, w którym trafiają wygenerowane pliki .box (ramki znaków), obrazy .tif oraz pośrednie punkty kontrolne LSTM.

Oto jak sekwencja klonowania powinna wyglądać w terminalu:

Aby pracować z wieloma pakietami językowymi obok niestandardowego, zobacz nasz przewodnik po międzynarodowych językach.

Jak wygenerować pliki szkoleniowe?

Jak uruchomić skrypt split_training_text.py?

Z folderu Tesseract_tutorial uruchom:

python split_training_text.py

python split_training_text.py

SHELL

Skrypt generuje jedną parę .box / .tif na próbkę szkoleniową i zapisuje je w folderze danych.

Oto jak uruchomienie skryptu powinno wyglądać podczas generowania par szkoleniowych:

Jak naprawić ostrzeżenie Fontconfig?

Jeśli pojawi się ostrzeżenie Ostrzeżenie fontconfig: '/tmp/fonts.conf, wiersz 4: ignorowana pusta nazwa katalogu czcionek', fontconfig nie może rozwiązać katalogów czcionek. Popraw to, edytując tesseract_tutorial/fonts.conf:

<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

Skopiuj to do /etc/fonts:

cp fonts.conf /etc/fonts

cp fonts.conf /etc/fonts

SHELL

Następnie skieruj split_training_text.py na tę samą ścieżkę:

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

PYTHON

Ile plików szkoleniowych powinienem wygenerować?

Domyślnie skrypt generuje 100 par szkoleniowych. Zmień liczbę u góry split_training_text.py:

Wytyczne dotyczące rozmiaru:

• 100-500 próbek wystarczy, aby potwierdzić, że przepływ działa.
• 1000-5000 próbek to zakres roboczy dla dokładności produkcyjnej.
• Tekst szkoleniowy powinien obejmować każdy znak, który twoja czcionka ma rozpoznawać, idealnie kilkukrotnie.
• Więcej próbek oznacza więcej czasu szkolenia; wybierz najmniejszą liczbę, która osiąga twój cel dokładności.

Jak zbudować mój niestandardowy plik wytrenowanych danych czcionki?

Z folderu tesstrain uruchom:

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 to nazwa twojej niestandardowej czcionki (używana dla nazwy pliku wyjściowego).
• START_MODEL to podstawowy plik .traineddata, który pobrałeś powyżej.
• MAX_ITERATIONS ogranicza przebieg szkolenia; wyższe wartości zwykle zmniejszają wskaźnik błędu.

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

Jak naprawić błąd "Failed to Load Script Unicharset"?

Pobierz plik Latin.unicharset z katalogu langdata_lstm i umieść go w folderze tesstrain/data/langdata.

Plik .unicharset określa, jakie znaki może generować trener. Użyj pliku, który obejmuje wszystkie znaki w Twojej czcionce, na przykład Cyrillic.unicharset dla czcionek cyrylickich lub Devanagari.unicharset dla czcionek devanagari.

Oto jak powinno wyglądać udane uruchomienie szkoleniowe, gdy tesstrain generuje plik .traineddata:

Jak zweryfikować dokładność mojego pliku wytrenowanych danych?

Przy 1000 plikach .box i .tif oraz 3000 iteracjach szkoleniowych wynik AMGDT.traineddata osiąga wskaźnik błędu szkoleniowego (BCER) na poziomie około 5,77%.

Aby przetestować wytrenowany model za pomocą IronOCR, skieruj UseCustomTesseractLanguageFile na plik i odczytaj przykładowy obraz:

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

Właściwość Confidence to wynik dla danego dokumentu; jeśli pozostaje niski nawet na czystych danych wejściowych, najczęstsze przyczyny to zbyt mała liczba próbek szkoleniowych lub model bazowy, który nie pasuje do skryptu. Po zweryfikowaniu pliku .traineddata zapoznaj się z naszym przewodnikiem po językach niestandardowych, aby poznać ogólny przebieg procesu ładowania dowolnego pliku języka niestandardowego.

Jakie są kluczowe wnioski z treningu niestandardowej czcionki?

Trening niestandardowej czcionki to jednorazowa konfiguracja: wygeneruj pary .box / .tif z czcionki docelowej, zbuduj model .traineddata za pomocą tesstrain, a następnie załaduj go przez UseCustomTesseractLanguageFile. Od tego momentu IronOCR czyta obrazy z nowym modelem dokładnie tak, jak czyta standardowe angielskie.

Kluczowe zalety korzystania z IronOCR z niestandardowym modelem Tesseract:

• Wykorzystuje standardowe artefakty Tesseract: każdy plik .traineddata, który można skompilować za pomocą tesstrain, działa w IronOCR bez konieczności konwersji.
• Wyjście na różnych platformach: szkolenie wymaga Linux (lub WSL2), ale przeszkolony plik jest dostarczany z aplikacją na Windows, macOS, Linux, i Docker.
• Bezproblemowo z resztą API: połącz niestandardowe czcionki z wieloma językami pomocniczymi, poprawą jakości obrazu i dostrajaniem DPI bez zmiany ścieżki rozpoznawania.
• Regulowana dokładność: wskaźnik błędu to funkcja prób szkoleniowych pomnożona przez iteracje. Oba pokrętła są widoczne (liczba próbek skryptu Plus oraz MAX_ITERATIONS), dzięki czemu można wyregulować kompromis między czasem szkolenia a wskaźnikiem BCER bez opuszczania Tesseract.

Dla większych przepływów roboczych, rozważ śledzenie postępu i przetwarzanie asynchroniczne, stosując przeszkolony model w wielu dokumentach.