Como Treinar uma Fonte Personalizada com Tesseract 5 em C

Como Configuro o Ambiente de Treinamento?

Install-Package IronOcr

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

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

Como Preparo a Fonte para o Treinamento?

cd /
cd /mnt/d

cd /
cd /mnt/d

Como Copiar o Arquivo de Fonte para a Pasta de Fontes do Ubuntu?

O Tesseract renderiza texto de amostra na sua fonte para construir imagens de treinamento, portanto, a fonte tem que estar instalada no lado do Linux, não apenas no Windows. Copie o arquivo de fonte para ambos os diretórios de fonte do Ubuntu: /usr/share/fonts e /usr/local/share/fonts. A maneira mais simples é digitar \wsl$ na barra de endereços do Explorador de Arquivos para navegar pelo sistema de arquivos do Ubuntu a partir do Windows e, em seguida, arrastar o .ttf para lá.

Veja como a cópia da fonte deve parecer quando ela chega no diretório de fontes do Ubuntu:

O que Faz se Eu Receber Acesso Negado na Pasta de Destino?

Se o File Explorer rejeitar a cópia, execute-a de um shell root em vez disso:

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

Como Faço para Clonar os Repositórios de Treinamento do GitHub?

O pipeline de treinamento depende de três repositórios. Clone o invólucro do tutorial primeiro, depois os dois repositórios Tesseract dentro dele, depois crie a pasta de saída:

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 reúne os scripts Python e arquivos de configuração que conduzem cada etapa de treinamento (geração de texto, renderização de imagens, criação de pares de treinamento).
• tesstrain contém o Makefile que conduz a execução real do treinamento.
• O Tesseract contém a pasta tessdata com arquivos padrão .traineddata usados ​​como modelo inicial para treinamento personalizado.
• tesstrain/data é onde os arquivos .box gerados (caixas delimitadoras de caracteres), as imagens .tif e os pontos de verificação LSTM intermediários são armazenados.

Veja como a sequência de clonagem deve parecer no terminal:

Para trabalhar com múltiplos pacotes de idiomas juntamente com um personalizado, consulte nosso guia de idiomas internacionais.

Como Faço para Gerar Arquivos de Treinamento?

Como Faço para Executar o Script split_training_text.py?

Na pasta Tesseract_tutorial, execute:

python split_training_text.py

python split_training_text.py

SHELL

O script gera um par .box / .tif por amostra de treinamento e os grava na pasta de dados.

Veja como a execução do script deve parecer ao gerar os pares de treinamento:

Como Faço para Corrigir o Aviso Fontconfig?

Se você vir o aviso Aviso do Fontconfig: "/tmp/fonts.conf, linha 4: nome de diretório de fonte vazio ignorado", o fontconfig não consegue resolver os diretórios de fontes. Corrija editando 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

Copie-o para /etc/fonts:

cp fonts.conf /etc/fonts

cp fonts.conf /etc/fonts

SHELL

Em seguida, aponte split_training_text.py para o mesmo caminho:

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

PYTHON

Quantos Arquivos de Treinamento Devo Gerar?

Por padrão, o script gera 100 pares de treinamento. Altere a contagem perto do topo de split_training_text.py:

Orientação sobre tamanho:

• 100-500 amostras são suficientes para confirmar que o pipeline funciona de ponta a ponta.
• 1000-5000 amostras são a faixa de trabalho para precisão de produção.
• O texto de treinamento deve cobrir todos os caracteres que a sua fonte precisa reconhecer, idealmente várias vezes cada.
• Mais amostras significam mais tempo de treinamento; escolha o menor número que atinja sua meta de precisão.

Como eu construo meu arquivo de dados de fonte personalizada treinado?

Da pasta tesstrain, execute:

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 é o nome da sua fonte personalizada (usado para o nome do arquivo de saída).
• START_MODEL é o modelo base .traineddata que você baixou acima.
• MAX_ITERATIONS limita a execução do treinamento; valores mais altos geralmente reduzem a taxa de erro.

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

Como faço para corrigir o erro "Falha ao carregar o script Unicharset"?

Baixe Latin.unicharset de langdata_lstm e coloque-o na pasta tesstrain/data/langdata.

O arquivo .unicharset define quais caracteres o treinador tem permissão para emitir. Use o arquivo que abrange todos os caracteres da sua fonte, por exemplo, Cyrillic.unicharset para fontes cirílicas ou Devanagari.unicharset para devanágari.

Eis como uma execução de treinamento bem-sucedida deve se parecer, conforme o tesstrain produz o arquivo .traineddata:

Como verifico a precisão do meu arquivo de dados treinado?

Com 1000 arquivos .box e .tif e 3000 iterações de treinamento, a saída AMGDT.traineddata atinge uma taxa de erro de treinamento (BCER) de cerca de 5,77%.

Para testar o modelo treinado com o IronOCR, aponte UseCustomTesseractLanguageFile para o arquivo e leia uma imagem de amostra:

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

A propriedade Confidence é a pontuação por documento; se ela permanecer baixa mesmo em entradas limpas, as causas mais comuns são poucas amostras de treinamento ou um modelo base que não corresponde ao script. Após a verificação do seu .traineddata, consulte nosso guia de idiomas personalizados para obter informações sobre o fluxo de trabalho geral de carregamento de qualquer arquivo de idioma personalizado.

Quais são os principais pontos para treinamento de fontes personalizadas?

O treinamento de uma fonte personalizada é uma configuração única: gere pares .box / .tif a partir da sua fonte alvo, construa um modelo .traineddata com tesstrain e, em seguida, carregue-o através de UseCustomTesseractLanguageFile. A partir daí, o IronOCR lê imagens com o novo modelo exatamente da mesma forma que lê inglês padrão.

Vantagens principais de usar IronOCR com um modelo Tesseract personalizado:

• Reutiliza artefatos padrão do Tesseract : qualquer arquivo .traineddata que você possa construir com o tesstrain funciona no IronOCR sem conversão.
• Saída multiplataforma: o treinamento requer Linux (ou WSL2), mas o arquivo treinado é enviado com sua aplicação em Windows, macOS, Linux e Docker.
• Integra-se como o restante da API: combine fontes personalizadas com múltiplos idiomas secundários, correção de qualidade de imagem, e ajuste de DPI sem alterar o caminho de reconhecimento.
• Precisão ajustável: a taxa de erro é uma função do número de amostras de treinamento vezes iterações. Ambos os parâmetros estão expostos (a contagem de amostras do script Plus MAX_ITERATIONS), permitindo ajustar o equilíbrio entre o tempo de treinamento e o BCER sem sair do Tesseract.

Para pipelines maiores, considere monitoramento de progresso e processamento assíncrono ao aplicar seu modelo treinado em vários documentos.