C# Tesseract 5 自定义字体训练提升 OCR识别与图片转文字精度

如何下载 IronOCR 的最新版本？

Install-Package IronOcr

如何安装和设置 WSL2 和 Ubuntu？

请参阅关于设置 WSL2 和 Ubuntu 的教程。

培训需要 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。

如何在 Ubuntu 上安装 Tesseract 5？

使用这些命令安装 Tesseract 5：

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

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。

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。

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？

使用以下命令将驱动器 D: 挂载为您的工作空间：

cd /
cd /mnt/d

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？

将字体文件复制到以下 Ubuntu 目录：/usr/share/fonts 和 /usr/local/share/fonts。

在 Ubuntu 中，您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。

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

如何从GitHub克隆 tesseract_tutorial ？

使用以下命令克隆 tesseract_tutorial 代码仓库：

git clone https://github.com/astutejoe/tesseract_tutorial.git

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 存储库：

git clone https://github.com/tesseract-ocr/tesstrain
git clone https://github.com/tesseract-ocr/tesseract

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训练期间用作参考的原始 .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。

如何创建用于存储输出的 "数据 "文件夹？

在 tesseract_tutorial/tesstrain 目录下创建数据文件夹：

mkdir tesseract_tutorial/tesstrain/data

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？

返回到 tesseract_tutorial 文件夹并执行以下命令：

python split_training_text.py

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。

<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>

cp fonts.conf /etc/fonts

cp fonts.conf /etc/fonts

fontconf_dir = '/etc/fonts'

fontconf_dir = '/etc/fonts'

我应该在哪里下载 eng.traineddata？

从此存储库下载 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。

如何创建我的自定义字体 .traineddata？

导航至 tesstrain 文件夹，并在 WSL2 中使用以下命令：

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 是您的自定义字体名称
• START_MODEL 是原始的 .traineddata 参考
• MAX_ITERATIONS 定义迭代次数(迭代次数越多，准确率越高)

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

如何验证创建的 .traineddata 的准确性？

使用 1000 个 .box 和 .tif 文件以及 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)。

使用 IronOCR 测试您训练好的模型：

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}%");

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}%");

Imports IronOcr

' Initialize IronOCR with custom trained data
Dim ocr As 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 input As New OcrInput()
    input.LoadImage("test-image-with-amgdt-font.png")

    ' Optional: Apply filters if needed
    input.EnhanceResolution(300)
    input.DeNoise()

    ' Perform OCR
    Dim result = ocr.Read(input)
    Console.WriteLine($"Recognized Text: {result.Text}")
    Console.WriteLine($"Confidence: {result.Confidence}%")
End Using

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指南。

如需进一步阅读和参考，请观看教程： YouTube 视频