如何使用 C# 透過 Tesseract 5 訓練自訂字型

如何設定訓練環境？

Install-Package IronOcr

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

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

如何準備用於訓練的字型？

cd /
cd /mnt/d

cd /
cd /mnt/d

如何將字型檔案複製到 Ubuntu 的字型資料夾中？

Tesseract 會使用您的字型渲染範例文字以建立訓練圖像，因此該字型必須安裝在 Linux 端，而不僅僅是 Windows 端。 將字型檔案複製到 Ubuntu 的兩個字型目錄中：/usr/share/fonts 和 /usr/local/share/fonts。 最簡單的方法是在檔案總管的位址列中輸入 \wsl$，即可從 Windows 瀏覽 Ubuntu 檔案系統，接著將 .ttf 拖曳過去。

以下是字型檔案放置於 Ubuntu 字型目錄後應呈現的樣貌：

如果我遇到"目標資料夾存取遭拒"的情況該怎麼辦？

若檔案總管拒絕執行該程式碼，請改從根目錄的命令列介面執行：

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

如何從 GitHub 複製訓練專案的儲存庫？

此訓練管線依賴三個儲存庫。 請先複製教學封裝程式，接著複製其中的兩個上游 Tesseract 儲存庫，然後建立輸出資料夾：

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 整合了驅動各訓練步驟（文字生成、影像渲染、訓練配對建立）所需的 Python 腳本與設定檔。
• tesstrain 包含驅動實際訓練流程的 Makefile。
• Tesseract 內含 tessdata 資料夾，其中包含預先建置的 .traineddata 檔案，可用作自訂訓練的起始模型。
• tesstrain/data 是存放生成的 .box 檔案（字元邊界框）、.tif 圖片以及 LSTM 中間檢查點的目錄。

以下是在終端機中執行複製指令時應顯示的結果：

若需同時使用多個語言套件與自訂語言套件，請參閱我們的國際化語言指南。

如何生成訓練檔案？

如何執行 split_training_text.py 腳本？

從 Tesseract_tutorial 資料夾中執行：

python split_training_text.py

python split_training_text.py

SHELL

該腳本會針對每個訓練樣本產生一組 .box / .tif 配對，並將其寫入 data 資料夾中。

以下是腳本執行時生成訓練資料對的預期呈現方式：

如何解決 Fontconfig 警告？

若您看到 Fontconfig 警告："/tmp/fonts.conf, 第 4 行：忽略空的字型目錄名稱"，表示 Fontconfig 無法解析字型目錄。 請編輯 tesseract_tutorial/fonts.conf 來修正此問題：

<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

將其複製到 /etc/fonts：

cp fonts.conf /etc/fonts

cp fonts.conf /etc/fonts

SHELL

接著將 split_training_text.py 指向相同的路徑：

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

PYTHON

我應該生成多少個訓練檔案？

預設情況下，該腳本會產生 100 組訓練語對。 請修改 split_training_text.py 頂部附近的計數：

篇幅指引：

• 100 至 500 個樣本已足以確認流程能端到端運作。
• 1000 至 5000 個樣本是確保產出準確性的工作範圍。
• 訓練文字必須涵蓋字體所需識別的每個字元，理想情況下每個字元應出現數次。
• 樣本越多，訓練時間就越長；請選擇能達到您的準確度目標的最小樣本數。

如何建立自訂字型訓練資料檔？

請在 tesstrain 資料夾中執行：

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 是您的自訂字型名稱（用於輸出檔案名稱）。
• START_MODEL 是您上方下載的基礎 .traineddata。
• MAX_ITERATIONS 設定了訓練輪次的上限； 較高的數值通常能降低錯誤率。

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

如何解決"無法載入腳本 Unicharset"的問題？

請從 langdata_lstm 下載 Latin.unicharset，並將其放置於 tesstrain/data/langdata 資料夾中。

.unicharset 檔案定義了訓練器被允許發出的字元。 請使用涵蓋字型中所有字元的檔案，例如西里爾字型使用 Cyrillic.unicharset，或天城文字型使用 Devanagari.unicharset。

以下是 tesstrain 產生 .traineddata 檔案時，成功訓練執行應呈現的樣貌：

如何驗證我的訓練資料檔是否準確？

透過 1000 個 .box 和 .tif 檔案，以及 3000 次訓練迭代，輸出 AMGDT.traineddata 的訓練錯誤率 (BCER) 約為 5.77%。

若要使用 IronOCR 測試已訓練的模型，請將 UseCustomTesseractLanguageFile 指向該檔案並讀取範例圖片：

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

Confidence 屬性是每份文件的評分； 若即使在乾淨的輸入資料上表現仍不佳，最常見的原因是訓練樣本過少，或是基礎模型與腳本不匹配。 待您的 .traineddata 通過驗證後，請參閱我們的自訂語言指南，了解載入任何自訂語言檔案的一般工作流程。

自訂字型訓練的關鍵要點有哪些？

自訂字體的訓練屬於一次性設定：從目標字體中產生 .box / .tif 字元對，使用 tesstrain 建立 .traineddata 模型，然後透過 UseCustomTesseractLanguageFile 載入該模型。 在此基礎上，IronOCR 會使用新模型以與解析標準英文完全相同的方式來讀取圖像。

搭配自訂 Tesseract 模型使用 IronOCR 的主要優勢：

• 重用標準 Tesseract 產出檔案：任何可透過 tesstrain 建置的 .traineddata 檔案，在 IronOCR 中皆可直接使用，無需轉換。
• 跨平台輸出：訓練過程需使用 Linux（或 WSL2），但訓練完成的檔案可隨應用程式一同部署於 Windows、macOS、Linux 及 Docker 環境中。
• 與其他 API 無縫整合：無需變更辨識路徑，即可結合自訂字型、多種次要語言、影像品質修正及 DPI 調整功能。
• 可調式精準度：錯誤率取決於訓練樣本數與迭代次數的函數關係。 兩個控制項皆已公開（包含腳本的樣本數以及 MAX_ITERATIONS），因此您無需離開 Tesseract 即可調整訓練時間與 BCER 之間的權衡。

對於較大規模的處理流程，在將訓練好的模型應用於大量文件時，請考慮進度追蹤與非同步處理。