Tesseract 5 ile C# dilinde Özel Bir Font Nasıl Eğitilir

Eğitim Ortamını Nasıl Kurarım?

Install-Package IronOcr

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

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

Fontu Eğitime Nasıl Hazırlarım?

cd /
cd /mnt/d

cd /
cd /mnt/d

Font Dosyasını Ubuntu Font Klasörüne Nasıl Kopyalarım?

Tesseract fontunuzdaki örnek metni sunar ve eğitim görüntüleri oluşturur, bu yüzden fontun sadece Windows'ta değil, Linux tarafında kurulmuş olması gerekiyor. Font dosyasını hem Ubuntu font dizinlerine: /usr/share/fonts ve /usr/local/share/fonts kopyalayın. En basit yol, File Explorer'ın adres çubuğuna \wsl$ yazarak Ubuntu dosya sistemini Windows'tan göz atmak ve ardından .ttf 'ı sürüklemektir.

İşte font kopyası Ubuntu font dizininde yer aldığında nasıl göründüğünü görebilirsiniz:

Hedef Klasör Erişimi Engellendi Hatası Alırsam Ne Yaparım?

Dosya Gezgini kopyalamayı reddederse, bunun yerine bir root shell'den çalıştırın:

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

Eğitim Depolarını GitHub'dan Nasıl Klonlarım?

Eğitim hattı üç depoya bağlıdır. Önce öğretici sarmalayıcıyı klonlayın, ardından içinde iki üst veri Tesseract deposunu ve çıktı klasörünü oluşturun:

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, her eğitim adımını (metin üretimi, resim işleme, eğitim çifti oluşturma) yönlendiren Python komut dosyalarını ve yapılandırma dosyalarını paketler.
• tesstrain, gerçek eğitimi yürüten Makefile'ı içerir.
• Tesseract, özel eğitim için başlangıç modeli olarak kullanılan stok .traineddata dosyalarını içeren tessdata klasörünü içerir.
• tesstrain/data, üretilen .box dosyalarının (karakter sınırlama kutuları), .tif görüntülerinin ve ara LSTM kontrol noktalarının yer aldığı yerdir.

İşte klon dizisinin terminalde nasıl görünmesi gerektiği:

Özel olanla birlikte birden fazla dil paketiyle çalışmak için uluslararası diller kılavuzumuzna bakın.

Eğitim Dosyalarını Nasıl Oluştururum?

split_training_text.py Komut Dosyasını Nasıl Çalıştırırım?

Tesseract_tutorial klasöründen çalıştırın:

python split_training_text.py

python split_training_text.py

SHELL

Komut dosyası, her eğitim örneği için bir .box / .tif çifti oluşturur ve bunları veri klasörüne yazar.

İşte eğitim çiftlerini oluştururken komut dosyasının çalışmasının nasıl görünmesi gerektiği:

Fontconfig Uyarısını Nasıl Düzeltirim?

Fontconfig uyarısı: "/tmp/fonts.co/nf, satır 4: boş font dizini adı yoksayılmış" uyarısı alırsanız, fontconfig font dizinlerini çözümlenemiyor. Bunu tesseract_tutorial/fonts.co/nf dosyasını düzenleyerek düzeltin:

<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 dizinine kopyalayın:

cp fonts.co/nf /etc/fonts

cp fonts.co/nf /etc/fonts

SHELL

Sonra split_training_text.py 'ı aynı yola yönlendirin:

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

PYTHON

Kaç Eğitim Dosyası Oluşturmalıyım?

Varsayılan olarak, script 100 eğitim çifti oluşturur. split_training_text.py 'un üst kısmındaki sayıyı değiştirin:

Boyutlandırma kılavuzu:

• 100-500 numune, hattın uçtan uca çalıştığını doğrulamak için yeterlidir.
• 1000-5000 numune, üretim doğruluğu için çalışma aralığıdır.
• Eğitim metni, yazı tipinizin tanıması gereken her karakteri, ideal olarak birkaç kez içermelidir.
• Daha fazla numune, daha fazla eğitim süresi demektir; doğruluk hedefinizi vuran en küçük sayıyı seçin.

Özel Yazı Tipi Eğitimi Verilerini Nasıl Oluşturabilirim?

tesstrain klasöründen çalıştırın:

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, özel yazı tipinizin adıdır (çıkış dosyası adı için kullanılır).
• START_MODEL, yukarıda indirdiğiniz baz .traineddata dosyasıdır.
• MAX_ITERATIONS, eğitim çalışmasını sınırlandırır; daha yüksek değerler genellikle hata oranını azaltır.

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

'Unicharset Betiğini Yükleme Başarısız Oldu' Hatasını Nasıl Düzeltirim?

langdata_lstm'den Latin.unicharset dosyasını indirin ve tesstrain/data/langdata klasörüne yerleştirin.

.unicharset dosyası, eğiticinin hangi karakterleri yaymasına izin verildiğini tanımlar. Fontunuzdaki her karakteri kapsayan dosyayı kullanın, örneğin Kiril alfabeleri için Cyrillic.unicharset veya Devanagari için Devanagari.unicharset.

Başarılı bir eğitim işleminin, tesstrain'in .traineddata dosyasını üretirken nasıl görünmesi gerektiği:

Eğitim Verileri Dosyamın Doğruluğunu Nasıl Doğrulayabilirim?

1000 .box ve .tif dosyası ve 3000 eğitim iterasyonu ile çıkış AMGDT.traineddata, yaklaşık %5,77'lik bir eğitim hata oranına (BCER) ulaşır.

IronOCR ile eğitilen modeli test etmek için UseCustomTesseractLanguageFile 'yi dosyaya yönlendirin ve örnek bir görüntü okuyun:

: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

Confidence özelliği belge başına puandır; temiz girdilerde bile düşük kalırsa en yaygın nedenler çok az eğitim numunesi veya betikle uyuşmayan bir temel modeldir. Sizin .traineddata doğrulandığında, özel dil kılavuzumuza giderek herhangi bir özel dil dosyasını yükleme genel iş akışımızı görün.

Özel Yazı Tipi Eğitimi İçin Ana Bilgiler Nelerdir?

Özel bir font eğitimi bir kerelik bir işlemdir: hedef fontunuzdan .box / .tif çiftleri oluşturun, tesstrain ile bir .traineddata modeli oluşturun, ardından UseCustomTesseractLanguageFile ile yükleyin. Buradan, IronOCR, görüntüleri yeni modelle tam olarak İngilizce standart modelle okuduğu şekilde okur.

IronOCR'u özel bir Tesseract modeliyle kullanmanın temel avantajları:

• Standart Tesseract eserlerini yeniden kullanır: tesstrain ile oluşturabileceğiniz herhangi bir .traineddata dosyası, IronOCR'de dönüşüm yapmadan çalışır.
• Çapraz platform çıktısı: Eğitim Linux (veya WSL2) gerektirir, ancak eğitilmiş dosya uygulamanızla birlikte Windows, macOS, Linux ve Docker'a gönderilir.
• API'nin geri kalanıyla tak çalıştır: özel yazı tiplerini birden çok ikincil dille, görüntü kalitesi düzeltmesiyle ve DPI ayarlarıyla birleştirin tanıma yolunu değiştirmeden.
• Ayarlanabilir doğruluk: hata oranı eğitim numuneleri zamanına iterasyonları işlevidir. Her iki düğme de (komut dosyasının örnek sayısı artı MAX_ITERATIONS) açığa çıkmaktadır, böylece Tesseract'a bağımlı kalmadan eğitim süresi ile BCER arasındaki dengeyi ayarlayabilirsiniz.

Daha büyük boru hatları için, eğitilmiş modelinizin birçok belge boyunca uygulanması sırasında ilerleme takibi ve asenkron işlem değerlendirin.