如何在C#中使用Tesseract 5训练自定义字体

我该如何设置训练环境？

Install-Package IronOcr

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

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

我该如何准备用于训练的字体？

cd /
cd /mnt/d

cd /
cd /mnt/d

我该如何将字体文件复制到Ubuntu字体文件夹？

Tesseract通过在您的字体中生成样本文本来构建训练图像，因此该字体需要安装在Linux端，而不仅仅是在Windows上。 将字体文件复制到两个Ubuntu字体目录：/usr/share/fonts和/usr/local/share/fonts。 最简单的方法是在文件资源管理器的地址栏中输入 \wsl$，从 Windows 浏览 Ubuntu 文件系统，然后将 .ttf 拖拽过去。

这是字体复制到Ubuntu字体目录后的样子：

如果我获得了目标文件夹访问被拒的错误怎么办？

如果文件资源管理器拒绝复制，请改用root shell运行：

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

我该如何克隆GitHub中的训练库？

训练管道依赖于三个库。 首先克隆教程包装器，接着在里面克隆两个上游的Tesseract库，然后创建输出文件夹：

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打包了驱动每个训练步骤的Python脚本和配置文件（文本生成、图像渲染、训练对创建）。
• tesstrain包含驱动实际训练运行的Makefile。
• Tesseract 包含一个名为 tessdata 的文件夹，其中存放了用于自定义训练的初始模型——预先准备的 .traineddata 文件。
• tesstrain/data 是生成的 .box 文件（字符边界框）、.tif 图像以及 LSTM 中间检查点的存储位置。

这是终端中克隆序列的样子：

要并行使用多个语言包和自定义语言包，请参阅我们的国际语言指南。

我该如何生成训练文件？

我该如何运行split_training_text.py脚本？

从Tesseract_tutorial文件夹运行：

python split_training_text.py

python split_training_text.py

SHELL

该脚本会为每个训练样本生成一组 .box / .tif 配对，并将它们写入数据文件夹。

这就是脚本运行生成训练对时的样子：

我该如何修复Fontconfig警告？

如果您看到警告Fontconfig warning: " /tmp/fonts.conf, line 4: empty font directory name ignored"，fontconfig无法解析字体目录。 通过编辑 tesseract_tutorial/fonts.conf 进行修正：

<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

将其复制到/etc/fonts：

cp fonts.conf /etc/fonts

cp fonts.conf /etc/fonts

SHELL

然后将 split_training_text.py 指向同一路径：

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

PYTHON

我应该生成多少训练文件？

脚本默认生成100对训练对。 修改 split_training_text.py 顶部附近的计数：

尺寸指导：

• 100-500个样本足以确认管道可以端到端工作。
• 1000-5000个样本是生产准确性的工作范围。
• 训练文本必须涵盖您的字体需要识别的每个字符，理想情况下每个字符多次。
• 更多样本意味着更长的训练时间；选择达到您的准确性目标的最小计数。

我如何构建我的自定义字体训练数据文件？

从tesstrain文件夹运行：

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是您的自定义字体的名称（用于输出文件名）。
• START_MODEL 是您在上文下载的 .traineddata 基础文件。
• MAX_ITERATIONS限制训练运行； 较高的值通常会降低错误率。

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

如何修复 "加载脚本 Unicharset 失败"？

从 langdata_lstm 下载 Latin.unicharset 并将其放置在 tesstrain/data/langdata 文件夹中。

.unicharset 文件定义了训练器允许输出的字符。 请使用涵盖字体中所有字符的文件，例如西里尔字母字体使用 Cyrillic.unicharset，天城文字体使用 Devanagari.unicharset。

以下是成功训练运行的效果，tesstrain 生成的 .traineddata 文件如下：

我如何验证我的训练数据文件的准确性？

通过 1000 个 .box 和 .tif 文件以及 3000 次训练迭代，生成的 AMGDT.traineddata 训练错误率（BCER）约为 5.77%。

要使用 IronOCR 测试已训练的模型，请将 UseCustomTesseractLanguageFile 指向文件并读取示例图像：

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 属性是每份文档的评分； 如果在干净的输入上仍然保持较低，最常见的原因是训练样本太少或基模型不匹配脚本。 您的 .traineddata 经验证后，请参阅我们的自定义语言指南，了解加载任何自定义语言文件的一般工作流程。

自定义字体训练的关键要点是什么？

自定义字体的训练是一次性设置：从目标字体中生成 .box / .tif 字符对，使用 tesstrain 构建 .traineddata 模型，然后通过 UseCustomTesseractLanguageFile 加载该模型。 从那里IronOCR读取具有新模型的图像，就像读取标准英语一样。

使用IronOCR与自定义Tesseract模型的关键优势：

• 复用标准 Tesseract 构建产物：任何可通过 tesstrain 构建的 .traineddata 文件，在 IronOCR 中无需转换即可直接使用。
• 跨平台输出：训练需要Linux（或WSL2），但训练文件随您的应用程序在Windows、macOS、Linux和Docker上运行。
• 与API的其余部分无缝集成：将自定义字体与多种辅助语言，图像质量校正和DPI调整结合使用，而不更改识别路径。
• 可调准确性：错误率是训练样本数量乘以迭代次数的函数。 这两个参数均已公开（脚本的样本数量加上 MAX_ITERATIONS），因此您无需离开 Tesseract 即可在训练时间与 BCER 之间进行权衡调整。

对于更大的管道，请考虑在许多文档上应用训练模型时使用进度跟踪和异步处理。