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 Windows, a następnie przeciągnij przez .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 podstawowymi plikami .traineddata używanymi jako model wyjściowy do treningu niestandardowego.
• tesstrain/data to miejsce, gdzie zatrzymują się wygenerowane pliki .box (ramki odwzorowania znaków), obrazy .tif i 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 parę .box / .tif na próbkę treningową 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.co/nf, wiersz 4: ignorowana pusta nazwa katalogu czcionek', fontconfig nie może rozwiązać katalogów czcionek. Popraw to, edytując tesseract_tutorial/fonts.co/nf:

<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.co/nf /etc/fonts

cp fonts.co/nf /etc/fonts

SHELL

Następnie wskaż 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 licznik blisko 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 bazowy .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 Latin.unicharset z langdata_lstm i umieść go w tesstrain/data/langdata.

Plik .unicharset definiuje, które znaki trener może emitować. Użyj pliku, który obejmuje każdy znak w twojej czcionce, na przykład Cyrillic.unicharset dla czcionek cyrylicznych lub Devanagari.unicharset dla Dewanagari.

Oto, jak powinien wyglądać udany przebieg treningu, gdy tesstrain produkuje plik .traineddata:

Jak zweryfikować dokładność mojego pliku wytrenowanych danych?

Z 1000 plikami .box i .tif oraz 3000 iteracjami treningowymi, wyjściowy AMGDT.traineddata osiąga wskaźnik błędów treningowych (BCER) około 5,77%.

Aby przetestować wytrenowany model z IronOCR, wskaż UseCustomTesseractLanguageFile na plik i przeczytaj przykładowy obraz:

:path=/static-assets/ocr/content-code-examples/how-to/ocr-custom-font-training-13.cs

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 na dokument; 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 twojego .traineddata, zobacz nasz przewodnik niestandardowy język dla ogólnego przepływu pracy ładowania dowolnego pliku niestandardowej językowej.

Jakie są kluczowe wnioski z treningu niestandardowej czcionki?

Trenowanie czcionki niestandardowej to jednorazowa konfiguracja: generuj pary .box / .tif z docelowej czcionki, zbuduj model .traineddata z 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: dowolny plik .traineddata, który możesz zbudować za pomocą tesstrain, działa w IronOCR bez 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 ujawnione (liczba próbek skryptu plus MAX_ITERATIONS), abyś mógł dostosować kompromis pomiędzy czasem treningu a BCER, nie opuszczając Tesseract.

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