适用于 Tesseract 5 的 C# 自定义字体训练(适用于 Windows 用户)
使用Tesseract 5自定义字体训练来提高OCR引擎在处理可能默认不支持的特定字体或字体样式时的准确性和识别能力。
该过程包括为Tesseract提供训练数据,比如字体样本和相应的文本,以便它能学习自定义字体的特定特性和模式。
开始使用IronOCR
立即在您的项目中开始使用IronOCR,并享受免费试用。
如何在 C# 中使用 Tesseract 自定义字体
- 下载一个C#库以使用Tesseract训练自定义字体
- 准备用于培训的目标字体文件
- 按照文章中规定的步骤操作
- 包含常见错误的解决方案
- 导出训练好的数据文件,以便进一步使用
步骤1:下载最新版本的IronOCR
通过 DLL 安装
将IronOcr DLL直接下载到您的计算机。
通过 NuGet 安装
或者,您可以通过NuGet安装。
Install-Package IronOcr
步骤2:安装并设置WSL2和Ubuntu
这里 是设置 WSL2 和 Ubuntu 的教程
** 目前,自定义字体训练只能在 Linux 上进行
步骤 3:在 Ubuntu 上安装魔方 5
sudo apt install tesseract-ocr
sudo apt install libtesseract-dev
步骤 4:下载您想要训练的字体
我们在本教程中使用AMGDT字体。 字体文件可以是.ttf或.otf格式。
步骤5:为自定义字体训练挂载工作区的磁盘驱动器
以下命令说明如何将驱动器D:
挂载为工作空间。
cd /
cd /mnt/d
步骤6:将字体文件复制到Ubuntu字体文件夹
这是Ubuntu字体文件夹目录; Ubuntu/usr/share/fonts
和 Ubuntu/usr/local/share/fonts
。
** 要在 Ubuntu 上访问文件,请在文件资源管理器目录中键入 \\\wsl$
故障排除:目标文件夹访问被拒绝
此问题可以通过使用命令行复制文件来解决。
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
步骤7:从Github克隆tesseract_tutorial
可以从以下网址克隆tesseract_tutorial
存储库; https://github.com/astutejoe/tesseract_tutorial.git 使用以下命令;
git clone https://github.com/astutejoe/tesseract_tutorial.git
步骤8:从Github克隆tesstrain和tesseract
转到tesseract_tutorial
文件夹目录,然后git clone https://github.com/tesseract-ocr/tesstrain 和 https://github.com/tesseract-ocr/tesseract
- tesstrain 包含“Makefile”文件,用于创建 .traineddata 文件(本文教程的目标)。
- tesseract包含一个名为“tessdata”的文件夹,该文件夹是使用.traindata文件作为自定义字体训练的参考容器。
步骤 9:创建“data”文件夹以存储输出内容
“data” 应创建在 tesseract_tutorial/tesstrain
。
步骤 10:运行 split_training_text.py
返回到tesseract_tutorial
文件夹目录,然后编译以下命令;
python split_training_text.py
运行split_training_text.py
后,它将在“data”文件夹中创建.box
和 .tif
文件。
故障排除:Fontconfig 警告:“/tmp/fonts.conf,第4行:忽略了空的字体目录名”
这个问题是由于在 Ubuntu 文件夹中找不到字体目录所引起的,可以通过在tesseract_tutorial/fonts.conf
文件中插入这些代码行来解决。
和
<dir>/usr/share/字体</dir>
<dir>/usr/local/share/字体</dir>
<dir prefix="xdg">字体</dir>
<!-- the following element will be removed in the future -->
<dir>~/.字体</dir>
然后将其复制到/etc/fonts
cp fonts.conf /etc/fonts
最后,将这些代码行添加到split_training_text.py
和
fontconf_dir = '/etc/fonts'
注意:训练文件(.box 和 .tif)的数量
目前训练文件的数量为100。在split_training_text.py中,可以编辑或删除这些代码行来调整训练文件的数量。
步骤11:下载 eng.traineddata
eng.traineddata
可以从以下网址获取:https://github.com/tesseract-ocr/tessdata_best。 将其下载到 tesseract_tutorial/tesseract/tessdata
因为 tessdata_best
中的 eng.traineddata
优于 tessdata
文件夹中的原始版本。
步骤12:创建你的自定义字体.traineddata
进入tesstrain
文件夹目录,并在WSL2中输入此命令行
TESSDATA_PREFIX=../tesseract/tessdata make training MODEL_NAME=AMGDT START_MODEL=eng TESSDATA=../tesseract/tessdata MAX_ITERATIONS=100
- 在
tesstrain/Makefile
中运行代码以进行训练 - MODEL_NAME = 您自定义字体的名称
- START_MODEL = 原始
.traineddata
的名称 MAX_ITERATIONS = 迭代次数(数字越大意味着
.traineddata
越准确)
“无法从以下位置读取数据:”可以通过编辑Makefile中的代码行来解决。
之前:
After:
和
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
通过将Latin.unicharset
插入到tesstrain/data/langdata
文件夹,可以解决“Failed to load script unicharset from:data/langdata/Latin.unicharset”问题。
Latin.unicharset
可以在以下网址找到; https://github.com/tesseract-ocr/langdata_lstm
步骤13:创建的.traineddata
的准确性
通过使用1000个.box
和.tif
文件以及3000次训练迭代,输出.traineddta
(AMGDT.traineddata)具有大约5.77的最低训练错误率(BCER)。
欲了解更多阅读和进一步参考:参考:https://www.youtube.com/watch?v=KE4xEzFGSU8ustom