適用於 Windows 使用者的 Tesseract 5 自定義字體訓練 (C#)
使用 Tesseract 5 的自定義字體訓練來提高 OCR 引擎在處理可能不被默認支持的特定字體或字體樣式時的準確性和識別能力。
該過程包括為 Tesseract 提供訓練數據，例如字體樣本和相應的文字，以便它能學習自定義字體的特定特徵和模式。
開始使用IronOCR
立即在您的專案中使用IronOCR，並享受免費試用。
如何在 C# 中使用 Tesseract 自定義字體
- 下載一個 C# 程式庫以使用 Tesseract 訓練自定義字體
- 準備用於訓練的目標字體檔案
- 按照文章中的步驟操作
- 包含常見錯誤的解決方案
- 導出訓練數據文件以供進一步使用
步驟一：下載最新版本的 IronOCR
透過 DLL 安裝
下載 IronOcr DLL 直接到您的機器。
透過NuGet安裝
或者，您可以通過安裝 NuGet .
Install-Package IronOcr
步驟 2：安裝並設定 WSL2 和 Ubuntu
這裡是設定 WSL2 和 Ubuntu 的教學
目前，自訂字體訓練僅能在 Linux 上進行。
步驟3：在Ubuntu上安裝Tesseract 5
sudo apt install tesseract-ocr
sudo apt install libtesseract-dev步驟 4：下載您想要訓練的字體
我們在本教程中使用AMGDT字體。 字體檔案可以是 .ttf 或 .otf
步驟5：掛載您工作空間中的磁碟機以進行自定義字體訓練
以下指令顯示如何將 D: 磁碟機掛載為工作空間。
cd /
cd /mnt/d步驟6：將字體文件複製到Ubuntu字體資料夾
這是 Ubuntu 字型資料夾的目錄； Ubuntu/usr/share/fonts和Ubuntu/usr/local/share/fonts。
** 要在 Ubuntu 上訪問文件，請在文件瀏覽器目錄中輸入 \\\wsl$。
疑難排解：目的地資料夾存取被拒
此問題可以通過使用命令行進行文件複製來解決。
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
su username步驟 7：從 Github 克隆 tesseract_tutorial
tesseract_tutorial 儲存庫可以從以下網址克隆； https://github.com/astutejoe/tesseract_tutorial.git透過使用以下指令；
git clone https://github.com/astutejoe/tesseract_tutorial.git步驟 8：從 Github 克隆 tesstrain 和 tesseract
進入tesseract_tutorial資料夾目錄，然後git克隆 https://github.com/tesseract-ocr/tesstrain 和 https://github.com/tesseract-ocr/tesseract
- tesstrain 包含用於創建 .traineddata 文件的 "Makefile" 文件。(本教程的目標)
- tesseract 包含一個名為 "tessdata" 的資料夾，該資料夾是原始 .traindata 文件的容器，用作自訂字型訓練的參考。
步驟9：創建“data”文件夾以存儲輸出内容
"data" 應該在 tesseract_tutorial/tesstrain 中創建。
步驟 10：運行 split_training_text.py
返回到 tesseract_tutorial 資料夾目錄，然後編譯以下命令；
python split_training_text.py運行 split_training_text.py 後，它會在“data”文件夾中創建 .box 和 .tif 文件。
故障排除：Fontconfig 警告：“/tmp/fonts.conf，第4行：忽略了空的字體目錄名稱”。
此問題是由於在 Ubuntu 文件夾中找不到字體目錄所致，可以通過在 tesseract_tutorial/fonts.conf 中插入以下幾行代碼來解決。
和 請提供內容以進行翻譯。
請提供內容以進行翻譯。
然後將其複製到/etc/fonts
cp fonts.conf /etc/fonts最後，在 split_training_text.py 中添加這些代碼行。
和 請提供內容以進行翻譯。
fontconf_dir = '/etc/fonts' 請提供內容以進行翻譯。
注意：訓練文件（.box 和 .tif）的數量
目前訓練檔案的數量為100。這些訓練檔案的數量可以在 split_training_text.py 中編輯或刪除這些代碼行。
步驟11：下載 eng.traineddata
eng.traineddata 可於以下網址找到：https://github.com/tesseract-ocr/tessdata_best. 將其下載到tesseract_tutorial/tesseract/tessdata中，因為eng.traineddata在tessdata_best中的版本比原始的tessdata文件夾中的版本更好。
步驟12：創建您的自訂字體 .traineddata
前往 tesstrain 資料夾目錄，在WSL2中輸入此命令行。 請提供內容以進行翻譯。
TESSDATA_PREFIX=../tesseract/tessdata make training MODEL_NAME=AMGDT START_MODEL=eng TESSDATA=../tesseract/tessdata MAX_ITERATIONS=100 請提供內容以進行翻譯。
- 在
tesstrain/Makefile中執行代碼来進行訓練。 - MODEL_NAME = 您自定義字體的名稱
- START_MODEL = 原始的
.traineddata名稱 MAX_ITERATIONS = 迭代次數(較大的數字表示
.traineddata的準確度更高。
“無法從以下位置讀取數據：”可以通過編輯 Makefile 中的代碼行來解決。
Before:
After:
和 請提供內容以進行翻譯。
make - Makefile
WORDLIST_FILE := $(輸出目錄2)/$(模型名稱).lstm-word-dawg
NUMBERS_FILE := $(輸出目錄2)/$(模型名稱).lstm-number-dawg
PUNC_FILE := $(輸出目錄2)/$(模型名稱).lstm-punc-dawg 請提供內容以進行翻譯。
“無法從 data/langdata/Latin.unicharset 加載腳本 unicharset”可以通過將 Latin.unicharset 插入到 tesstrain/data/langdata 文件夾中來解決。
Latin.unicharset可在以下網址中找到； https://github.com/tesseract-ocr/langdata_lstm
步驟 13：創建的 .traineddata 的準確性
使用1000個.box和.tif文件以及3000次訓練迭代，輸出.traineddta。(AMGDT.traineddata)具有最低的訓練錯誤率(BCER)around 5.77
有關更多閱讀和進一步參考：參考：https://www.youtube.com/watch?v=KE4xEzFGSU8ustom
