如何在 C#中使用 Tesseract 5 訓練自定義字體

如何設置訓練環境？

Install-Package IronOcr

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

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

如何準備字體進行訓練？

cd /
cd /mnt/d

cd /
cd /mnt/d

如何將字體文件複製到 Ubuntu 字體資料夾？

Tesseract 會用您的字體渲染示範文字，以構建訓練圖像，因此字體需要安裝在 Linux 上，而不僅是 Windows 上。 將字體文件複製到 Ubuntu 的兩個字體目錄：/usr/share/fonts 和 /usr/local/share/fonts。 最簡單的方法是在文件瀏覽器的地址欄輸入 \wsl$ 以從 Windows 瀏覽 Ubuntu 文件系統，然後將 .ttf 拖入。

當字體文件到達 Ubuntu 字體目錄時，這就是整個過程的樣子：

如果我收到目標文件夾拒絕存取怎麼辦？

如果文件瀏覽器拒絕複製，請改用根 shell 運行：

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 克隆訓練庫？

訓練管道依賴於三個儲存庫。 首先克隆教程包裝器，然後在其中克隆兩個上游 Tesseract 儲存庫，然後建立輸出文件夾：

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 包含 Python 腳本和驅動每個訓練步驟（文字生成、圖像渲染、訓練對建立）的配置文件。
• tesstrain 包含驅動實際訓練運行的 Makefile。
• Tesseract 包含 tessdata 文件夾，內有用作自訂訓練的初始模型的 .traineddata 文件。
• tesstrain/data 是生成的 .box 文件（字元邊界框）、.tif 圖像和中間的 LSTM 檢查點所在的位置。

在終端中，克隆序列應該類似於以下樣子：

要與自訂的一個語言包一起使用多個語言包，請參閱我們的國際語言指南。

如何生成訓練文件？

如何運行 split_training_text.py 腳本？

從 Tesseract_tutorial 文件夾運行：

python split_training_text.py

python split_training_text.py

SHELL

腳本會生成每個訓練樣本一個 .box / .tif 對，並寫入資料文件夾。

以下是腳本運行時生成訓練對的樣子：

如何修復 Fontconfig 警告？

如果您看到警告 Fontconfig warning: "/tmp/fonts.co/nf, line 4: empty font directory name ignored"，fontconfig 無法解析字體目錄。 通過編輯 tesseract_tutorial/fonts.co/nf 修復它：

<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.co/nf /etc/fonts

cp fonts.co/nf /etc/fonts

SHELL

然後將 split_training_text.py 指向相同路徑：

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

PYTHON

應生成多少訓練文件？

預設情況下，腳本會生成 100 個訓練對。 在 split_training_text.py 開頭附近更改數量：

規模指導：

• 100-500 個樣本足以確認管道運行端到端。
• 1000-5000 個樣本是生產準確性的工作範圍。
• 訓練文字必須涵蓋字體需要識別的每個字元，理想情況下每個多次。
• 更多的樣本意味著更長的訓練時間；選擇能達到準確性目標的最小數量。

如何構建自訂字體訓練資料文件？

從 tesstrain 文件夾運行：

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 是您自訂字體的名稱（用於輸出文件名）。
• START_MODEL 是您在上面下載的基本 .traineddata。
• MAX_ITERATIONS 限制訓練運行次數； 更高的值通常會降低錯誤率。

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

如何修復"無法載入腳本 Unicharset"？

從langdata_lstm下載 Latin.unicharset，並將其放置在 tesstrain/data/langdata 文件夾內。

.unicharset 文件定義了訓練者允許發出的字元。 使用涵蓋您字體中每個字元的文件，例如對於西里爾字母的 Cyrillic.unicharset 或天城文的 Devanagari.unicharset。

當 tesstrain 生成 .traineddata 文件時，成功的訓練運行應該類似於以下樣子：

如何驗證訓練資料文件的準確性？

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

要使用 IronOCR 測試訓練模型，將 UseCustomTesseractLanguageFile 指向文件並讀取一個範例圖像：

: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 屬性是每個文件的得分； 如果即使在乾淨的輸入上也保持較低，最常見的原因是訓練樣本太少或基本模型與腳本不匹配。 一旦驗證您的 .traineddata，請參閱我們的自訂語言指南以了解載入任何自訂語言文件的一般工作流程。

自訂字體訓練的關鍵要點有哪些？

訓練自訂字體是一個一次性的設置：從目標字體生成 .box / .tif 對，使用 tesstrain 構建 .traineddata 模型，然後通過 UseCustomTesseractLanguageFile 載入它。 從那裡 IronOCR 以同樣的方式讀取新模型中的圖像，就像讀取預設的英文一樣。

使用自訂 Tesseract 模型的 IronOCR 的關鍵優勢：

• 重用標準 Tesseract 文件：您可以使用 tesstrain 建立的任何 .traineddata 文件，在 IronOCR 中無需轉換即可使用。
• 跨平台輸出：訓練過程需要 Linux（或 WSL2），但訓練過的文件可以隨您的應用程式在 Windows、macOS、Linux 和 Docker 中出貨。
• 與 API 其餘部分完美整合：可以結合自訂字體與多個次要語言、圖像質量修正以及DPI 調整，而不改變識別路徑。
• 可調整準確性：錯誤率是訓練樣本次迭代次數的函式。 兩者均公開（腳本的樣本數加上 MAX_ITERATIONS），因此您可以在不離開 Tesseract 的情況下，調整訓練時間和 BCER 之間的權衡。

對於較大的管道，請考慮在跨多個文件應用您的訓練模型時進行進度追蹤和異步處理。