C#自訂字體訓練適用於Tesseract 5(適用於Windows使用者)

Kannapat related to C#自訂字體訓練適用於Tesseract 5(適用於Windows使用者)
坎納帕特·烏頓潘
2023年3月5日
已更新 2024年12月10日
分享:
This article was translated from English: Does it need improvement?
Translated
View the article in English

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。

第一步:
green arrow pointer



步驟一:下載最新版本的 IronOCR

透過 DLL 安裝

直接將 IronOcr DLL 下載到您的機器。

透過NuGet安裝

或者,您可以通過NuGet 安裝。

Install-Package IronOcr

步驟 2:安裝並設定 WSL2 和 Ubuntu

這裡是設定 WSL2 和 Ubuntu 的教程

** 目前,自定義字體訓練只能在 Linux 上完成

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

Example Of Downloaded Font File related to 步驟 4:下載您想要訓練的字體

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磁碟機D: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/fontsUbuntu/usr/local/share/fonts

** 要在 Ubuntu 上存取檔案,請在檔案總管目錄中輸入 \\\wsl$

Ubutu Folder Directory related to 步驟6:將字體文件複製到Ubuntu字體資料夾

疑難排解:目的地資料夾存取被拒

Destination Folder Access Denied related to 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 存储库可以从以下网址克隆; 使用以下命令:https://github.com/astutejoe/tesseract_tutorial.git

git clone https://github.com/astutejoe/tesseract_tutorial.git

步驟 8:從 Github 克隆 tesstrain 和 tesseract

進入tesseract_tutorial文件夾目錄,然後執行git clone https://github.com/tesseract-ocr/tesstrainhttps://github.com/tesseract-ocr/tesseract

  • tesstrain 包含“Makefile”文件,用於創建 .traineddata 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」應在tesseract_tutorial/tesstrain中創建。

步驟 10:運行 split_training_text.py

返回至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,將在“data”文件夾中創建.box.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”。

Fontconfig Warning related to 故障排除:Fontconfig 警告:“/tmp/fonts.conf,第4行:忽略了空的字體目...

此問題是由於 Ubuntu 文件夾中的字體目錄無法找到而引起的,可以通過在tesseract_tutorial/fonts.conf中插入這些代碼來解決。

Fontconfig Dir Png related to 故障排除:Fontconfig 警告:“/tmp/fonts.conf,第4行:忽略了空的字體目...

<dir>/usr/share/字體</dir>
<dir>/usr/local/share/字體</dir>
<dir prefix="xdg">字體</dir>
<!-- the following element will be removed in the future -->
<dir>~/.字體</dir>```
然後將其複製到`/etc/fonts`

```bash
cp fonts.conf /etc/fonts

最後,將這些程式碼行添加到 split_training_text.py

Fontconfig Sol related to 故障排除:Fontconfig 警告:“/tmp/fonts.conf,第4行:忽略了空的字體目錄�...


fontconf_dir = '/etc/fonts'

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。

Number Of Trainfile related to 注意:訓練文件(.box 和 .tif)的數量

步驟11:下載 eng.traineddata

eng.traineddata 可以從以下網址找到:https://github.com/tesseract-ocr/tessdata_best。 下載到 tesseract_tutorial/tesseract/tessdata,因為 tessdata_best 中的 eng.traineddatatessdata 資料夾中的原始文件更佳。

步驟12:創建您的自訂字體 .traineddata

移至tesstrain資料夾目錄,並在WSL2中輸入此命令行


TESSDATA_PREFIX=../tesseract/tessdata make training MODEL_NAME=AMGDT START_MODEL=eng TESSDATA=../tesseract/tessdata MAX_ITERATIONS=100
  • tesstrain/Makefile中進行訓練 = 執行代碼
  • MODEL_NAME = 您自定義字體的名稱
  • START_MODEL = 原始 .traineddata 的名稱
  • MAX_ITERATIONS = 迭代次數(數字越大,.traineddata 的準確性越高)

    Makefile Issues related to 步驟12:創建您的自訂字體 .traineddata

“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:

Makefile Sol Before related to “無法從以下位置讀取數據:”可以通過編輯 Makefile 中的代碼行來�...

After:

Makefile Sol After related to “無法從以下位置讀取數據:”可以通過編輯 Makefile 中的代碼行來�...


make - Makefile

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

可以通過將 Latin.unicharset 插入到 tesstrain/data/langdata 資料夾來解決“Failed to load script unicharset from:data/langdata/Latin.unicharset”的問題

步驟 13:創建的.traineddata的準確性

透過1000個.box.tif文件以及3000次訓練迭代,輸出的.traineddta(AMGDT.traineddata)具有約5.77的最低訓練錯誤率(BCER)。

Traineddata Accuracy related to 步驟 13:創建的.traineddata的準確性

更多閱讀和進一步參考:參考https://www.youtube.com/watch?v=KE4xEzFGSU8ustom

Kannapat related to 步驟 13:創建的.traineddata的準確性
坎納帕特·烏頓潘
軟體工程師
在成為軟體工程師之前,Kannapat 在日本北海道大學完成了環境資源博士學位。在攻讀學位期間,Kannapat 也成為了車輛機器人實驗室的成員,該實驗室隸屬於生物生產工程學系。2022 年,他利用自己的 C# 技能,加入了 Iron Software 的工程團隊,專注於 IronPDF 的開發。Kannapat 珍視這份工作,因為他可以直接向負責撰寫大部分 IronPDF 程式碼的開發人員學習。除了同儕學習外,Kannapat 還享受在 Iron Software 工作的社交方面。當他不在撰寫程式碼或文件時,Kannapat 通常會在 PS5 上玩遊戲或重看《最後生還者》。