C#针对 Windows 开发人员的 Tesseract 5 自定义字体培训。

Tesseract 5 中的自定义字体训练提高了特定字体的 OCR 精确度。 该过程创建了训练数据，用于教授引擎的字体特征。 生成的 .traineddata 文件可与 IronOCR 配合使用，准确识别装饰字体或特殊字体。

快速入门：在 C# 中使用您的 .traineddata 字体文件

在 IronOCR 中使用您自定义训练的 Tesseract 字体文件，只需几行即可。 非常适合对特殊字体或装饰字体进行准确的 OCR 识别。

如何下载 IronOCR 的最新版本？

我应该使用哪种安装方法？ 直接将[IronOCR DLL](/csharp/ocr/packages/IronOcr.zip)下载到您的计算机。

为什么不使用 NuGet？ 或者，使用此命令通过 [NuGet](https://www.nuget.org/packages/IronOcr/) 进行安装： ```shell :ProductInstall ``` IronOCR 提供对 [Tesseract 5 功能](https://ironsoftware.com/csharp/ocr/features/tesseract/)和 [ 定制语言实现](https://ironsoftware.com/csharp/ocr/examples/ocr-tesseract-custom-languages/)的全面支持，使其成为满足专业 OCR 要求的理想选择。 ---

如何安装和设置 WSL2 和 Ubuntu？ 请参阅关于[设置 WSL2 和 Ubuntu 的](https://ubuntu.com/tutorials/install-ubuntu-on-wsl2-on-windows-10)教程。 [{i:(自定义字体培训需要 Linux。 培训需要使用 Linux，但生成的 `.traineddata` 文件可以在所有平台上无缝运行。 有关详细的 Linux 设置说明，请参阅我们的 [Linux 部署指南](https://ironsoftware.com/csharp/ocr/get-started/linux/)。

如何在 Ubuntu 上安装 Tesseract 5？ 使用这些命令安装 Tesseract 5： ```bash sudo apt install tesseract-ocr sudo apt install libtesseract-dev ``` 这些软件包提供了培训所需的核心 Tesseract OCR 引擎和开发库。 有关高级 Tesseract 配置选项，请参阅我们的[详细配置指南](https://ironsoftware.com/csharp/ocr/examples/csharp-configure-setup-tesseract/)。

我应该下载哪种字体用于培训？ 本教程使用 AMGDT 字体。 字体文件可以是 .ttf 或 .otf 格式。 ！[Windows 文件资源管理器显示已下载的 AMGDT Regular.ttf 字体文件，并在红框中突出显示，以便进行培训](/static-assets/ocr/how-to/ocr-custom-font-training/example_of_downloaded_font_file.png)。 在为培训选择字体时： - 选择与标准 Tesseract 模型差异较大的字体 - 确保字体获得适当许可 - 考虑使用装饰字体、手写字体或专业行业字体 - 使用您的应用程序在生产中遇到的字体进行测试

如何为自定义字体培训安装磁盘驱动器？ 使用这些命令挂载驱动器 `D:` 作为您的工作空间： ```bash cd / cd /mnt/d ``` 这样，您就可以直接在 Ubuntu WSL2 环境中处理存储在 Windows 驱动器上的文件。

如何将字体文件复制到 Ubuntu 字体文件夹？ 将字体文件复制到这些 Ubuntu 目录中：`/usr/share/fonts` 和 `/usr/local/share/fonts`. 在 Ubuntu 系统中，可以通过在文件资源管理器的地址栏中输入`\\wsl$`来访问文件。 ！[Windows文件资源管理器显示从Windows访问Ubuntu文件系统的网络路径](/static-assets/ocr/how-to/ocr-custom-font-training/ubutu_folder_directory.png)。

如果目标文件夹访问被拒绝怎么办？ 如果遇到拒绝访问错误，请使用命令行复制文件： ```bash 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 ``` 字体安装对培训过程至关重要。 在生成训练图像时，系统需要访问渲染字体。

如何从 GitHub 克隆 `tesseract_tutorial`? 使用此命令克隆 `tesseract_tutorial` 资源库： ```bash git clone https://github.com/astutejoe/tesseract_tutorial.git ``` 该资源库包含培训过程中必不可少的 Python 脚本和配置文件。 脚本可以自动执行字体培训中的许多手动步骤。

如何从 GitHub 克隆 `tesstrain` 和 `tesseract`? 导航至`tesseract_tutorial`目录，然后克隆`tesstrain`和`tesseract`代码库： ```bash git clone https://github.com/tesseract-ocr/tesstrain git clone https://github.com/tesseract-ocr/tesseract ``` - `tesstrain` 包含用于创建 `.traineddata` 文件的 Makefile。 - `tesseract` 包含 tessdata 文件夹，其中包含在自定义字体培训过程中用作参考的原始 `.traineddata` 文件。 有关使用多语言包和自定义培训数据的更多信息，请参阅我们的[国际语言指南](https://ironsoftware.com/csharp/ocr/examples/intl-languages/)。

如何创建用于存储输出的 "数据 "文件夹？ 在 `tesseract_tutorial/tesstrain` 中创建一个数据文件夹： ```bash mkdir tesseract_tutorial/tesstrain/data ``` 该文件夹存储所有生成的培训文件，包括 .box、.tif 和中间培训工件。

如何运行 `split_training_text.py`? 返回 `tesseract_tutorial` 文件夹并执行此命令： ```shell python split_training_text.py ``` 运行 `split_training_text.py` 后，它会在数据文件夹中创建 `.box` 和 `.tif` 文件。

如何修复字体配置警告？ 。 如果您看到警告 `Fontconfig warning："/tmp/fonts.conf，第 4 行：忽略空字体目录名"`，则表示缺少字体目录。 通过编辑 `tesseract_tutorial/fonts.conf` 文件并添加以下内容来修复： ```xml/usr/share/fonts/usr/local/share/fontsfonts~/.fonts``` 使用以下命令将其复制到`/etc/fonts` ： ```bash cp fonts.conf /etc/fonts ``` 此外，更新`split_training_text.py` ： ```python fontconf_dir = '/etc/fonts' ```

我应该生成多少培训文件？ 当前配置可生成 100 个培训文件。 您可以在 `split_training_text.py` 中进行修改。 ！[设置 count=100 并分割行数组以限制训练数据大小的 Python 代码](/static-assets/ocr/how-to/ocr-custom-font-training/number_of_trainfile.png)。 用于生产质量培训： - 从 100-500 个样本开始测试 - 使用 1000-5000 个样本以提高准确性 - 包括涵盖所有所需字符的各种文本样本 - 平衡培训时间与准确性要求

从何处下载 `eng.traineddata`? 从该[存储库](https://github.com/tesseract-ocr/tessdata_best)下载`eng.traineddata`并将其放置在`tesseract_tutorial/tesseract/tessdata`中。 基础模型提供的语言上下文可提高识别准确率。 选择与目标语言相匹配的基本模型。 有关自定义语言包问题的故障排除，请查阅我们的[自定义 OCR 语言包指南](https://ironsoftware.com/csharp/ocr/troubleshooting/custom-ocr-language-packs/)。

如何创建我的自定义字体 `.traineddata`? 导航至 `tesstrain` 文件夹并在 WSL2 中使用此命令： ```bash TESSDATA_PREFIX=../tesseract/tessdata make training MODEL_NAME=AMGDT START_MODEL=eng TESSDATA=../tesseract/tessdata MAX_ITERATIONS=100 ``` - `MODEL_NAME` 是您自定义的字体名称 - `START_MODEL` 是原始 `.traineddata` 引用 - `MAX_ITERATIONS` 定义迭代次数（迭代次数越多，准确性越高）

如果在 Makefile 中遇到 "读取数据失败 "怎么办？ 要解决"读取数据失败"的问题，请修改 Makefile 文件： ```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 ``` 此修改可确保 Makefile 在正确的输出目录结构中查找文件。

如何修复 "加载脚本 Unicharset 失败"？ 将`Latin.unicharset`插入`tesstrain/data/langdata`文件夹。 查找 `Latin.unicharset` [此处](https://github.com/tesseract-ocr/langdata_lstm)。 unicharset 文件定义了语言或脚本的字符集。 确保与字体的字符覆盖范围相匹配。

如何验证创建的 `.traineddata` 的准确性？ 通过 1000 个 ` .box` 和 ` .tif` 文件和 3000 次训练迭代，输出 `AMGDT.traineddata` 实现了约 5.77% 的最小训练错误率（`BCER`）。 ！[Tesseract 训练日志显示 BCER 在 2194-2298 次迭代中从 6.388% 提高到 5.771%](/static-assets/ocr/how-to/ocr-custom-font-training/traineddata_accuracy.png) 使用 IronOCR 测试您训练好的模型： ```cs using IronOcr; // Initialize IronOCR with custom trained data var ocr = new IronTesseract(); // Load your custom trained font ocr.UseCustomTesseractLanguageFile(@"path\to\AMGDT.traineddata"); // Configure for optimal results ocr.Configuration.BlackListCharacters = ""; ocr.Configuration.WhiteListCharacters = ""; ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.AutoOsd; // Process an image with your custom font using var input = new OcrInput(); input.LoadImage("test-image-with-amgdt-font.png"); // Optional: Apply filters if needed input.EnhanceResolution(300); input.DeNoise(); // Perform OCR var result = ocr.Read(input); Console.WriteLine($"Recognized Text: {result.Text}"); Console.WriteLine($"Confidence: {result.Confidence}%"); ``` 要在生产应用程序中实施自定义字体，请查看我们的[使用自定义语言文件](https://ironsoftware.com/csharp/ocr/how-to/ocr-custom-language/)指南。 如需进一步阅读和参考，请观看教程： [YouTube 视频](https://www.youtube.com/watch?v=KE4xEzFGSU8)