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键入\wsl$，以便从Windows浏览Ubuntu文件系统，然后将.ttf拖过来。

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tessdata文件夹，其中包含用作自定义训练起始模型的库存.traineddata文件。
• tesstrain/data是保存生成的.tif图像和中间LSTM检查点的地方。

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

脚本为每个训练样本生成一对.box / .tif，并将其写入数据文件夹。

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.co/nf, line 4: empty font directory name ignored"，fontconfig无法解析字体目录。 通过编辑tesseract_tutorial/fonts.co/nf来修复此问题：

<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.co/nf /etc/fonts

cp fonts.co/nf /etc/fonts

SHELL

然后将split_training_text.py指向相同的路径：

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。 在split_training_text.py的顶部附近更改计数：

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是您以上下载的基础.traineddata。
• 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并将其放在tesstrain/data/langdata文件夹中。

.unicharset文件定义了训练器被允许生成的字符。 使用包含字体中每个字符的文件，例如用于西里尔字母字体的Devanagari.unicharset。

这就是tesstrain生成.traineddata文件时，成功的训练运行应该的样子：

我如何验证我的训练数据文件的准确性？

通过1000个AMGDT.traineddata显示训练误差率（BCER）约为5.77％。

要使用IronOCR测试训练好的模型，请将UseCustomTesseractLanguageFile指向文件并读取一个示例图像：

: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属性是每个文档的得分； 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。 一旦您的.traineddata验证完成，请查看我们的自定义语言指南以获得加载任何自定义语言文件的通用工作流程。

自定义字体训练的关键要点是什么？

训练自定义字体是一次性设置：从目标字体生成.box / UseCustomTesseractLanguageFile加载。 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：

• 重用标准Tesseract构件：任何您能够用tesstrain构建的.traineddata文件都可以在IronOCR中直接使用，无需转换。
• 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。 两个旋钮都被公开（脚本的示例计数加上MAX_ITERATIONS），因此您可以在不离开Tesseract的情况下调整训练时间和BCER之间的平衡。

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。