Tesseract 我如何训练我的数据集

Question

我有一个包含很多 gt.txt 和 tiff 文件的数据集，大约 1000 个文件，我尝试使用 tesstrain 项目并运行以下命令 make training MODEL_NAME=cmc7 TESSDATA=path/to/tessdata_best 此命令运行成功，但是当我尝试使用训练数据时，它没有按预期工作。我的问题是为 tesseract 训练我的数据集的正确形式是什么？谢谢。

Answer 1

为了使用图像训练我的数据集，除了图像之外，我还使用了 2 种类型的文件：

• 具有预期输出的 gt.txt 文件
• 框文件从图像中生成，其中包含我想要训练模型的更改

我将所有 3 个文件放在 tesstrain/data/my-model-ground-truth 中，然后从 tesstrain 文件夹运行以下命令：

make training MODEL_NAME=my-model START_MODEL=eng TESSDATA=../tessdata_best

假设您想在 tessdata_best 存储库中的 eng.traineddata 之上进行训练： https://github.com/tesseract-ocr/tessdata_best

这会在 tesstrain/data 文件夹中生成 my-model.traineddata