如何使用图像数据而不是字体文件训练 tesseract 4？答案

【问题标题】：How do I train tesseract 4 with image data instead of a font file?如何使用图像数据而不是字体文件训练 tesseract 4？
【发布时间】：2017-04-11 17:47:25
【问题描述】：

我正在尝试使用图像而不是字体来训练 Tesseract 4。

在docs 中，他们只解释了使用字体的方法，而不是图像。

当我使用 Tesseract 的早期版本时，我知道它是如何工作的，但我不知道如何使用 box/tiff 文件在 Tesseract 4 中使用 LSTM 进行训练。

我查看了tesstrain.sh，它用于生成LSTM 训练数据，但找不到任何有用的信息。有什么想法吗？

【问题讨论】：

标签： ocr tesseract lstm training-data

【解决方案1】：

在https://github.com/tesseract-ocr/tesstrain 克隆测试程序库。

您还需要克隆 tessdata_best 存储库https://github.com/tesseract-ocr/tessdata_best。这是您培训的起点。需要数十万个训练数据样本才能获得准确性，因此使用良好的起点可以让您用更少的数据微调您的训练（大约数十到数百个样本就足够了）

将您的训练样本添加到名为 ./tesstrain/data/my-custom-model-ground-truth 的 tesstrain 存储库中的目录

您的训练样本应该是名称相同但扩展名不同的图像/文本文件对。例如，您应该有一个名为 001.png 的图像文件，它是文本 foobar 的图片，并且您应该有一个名为 001.gt.txt 的文本文件，其中包含文本 foobar。

这些文件必须是单行文本。

在tesstrain repo 中，运行以下命令：

make training MODEL_NAME=my-custom-model START_MODEL=eng TESSDATA=~/src/tessdata_best

一旦训练完成，就会有一个新的文件 tesstrain/data/.traineddata。将该文件复制到 Tesseract 搜索模型的目录。在我的机器上，它是 /usr/local/share/tessdata/。

然后，您可以运行 tesseract 并将该模型用作语言。

tesseract -l my-custom-model foo.png -

【讨论】：

嘿，谢谢你的回答。一个问题，我的每个字母大约有 200 个 png，所以我应该将文本文件创建为 a_1.gt.txt、a_2.g.txt 等内容为“a”，图像为a_1.png、a_2.png 等
文件名可以是任何东西，只有 .gt.txt 文件和 .png 文件名应该相同。 a_1.gt.txt, a_1.png, a_2.gt.txt, a_2.png 是正确的。
感谢您的回答！这是否允许添加新符号？是否有一种工具可以帮助创建这些图像/文本文件 - 例如通过允许将页面作为图像提供，它应该生成线条图像和文本的第一次猜测？
我不知道有什么东西可以将页面变成线条图像。但是，如果您走得那么远，快速查看和清除第一个猜测的提示是一个名为feh 的程序。 feh 可让您同时查看图像和标题，并允许您在 feh 中编辑标题。 github.com/eihli/image-table-ocr/blob/…
hocr-extract-images from "hocr-tools" 会将.hocr 文件（由 Tesseract 生成）加上图像转换为一组线条图像/文本对。