Tesseract OCR - 繁體中文【訓練篇】

閱讀時間約 7 分鐘
GitHub
Tesseract OCRtesseract-ocr/tesseract: Tesseract Open Source OCR Engine (main repository) (github.com)
Tesseract User ManualTesseract User Manual | tessdoc (tesseract-ocr.github.io)
How to train LSTM Tesseracttessdoc/TrainingTesseract-5.md at main ·tesseract-ocr/tessdoc (github.com)
  • 作業系統:win10
  • 版本訊息-命令提示字元(CMD)
C:\Users\user>tesseract --version
tesseract v5.0.1.20220118
leptonica-1.78.0
libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.0
Found AVX2
Found AVX
Found FMA
Found SSE4.1
Found libarchive 3.5.0 zlib/1.2.11 liblzma/5.2.3 bz2lib/1.0.6 liblz4/1.7.5 libzstd/1.4.5
Found libcurl/7.77.0-DEV Schannel zlib/1.2.11 zstd/1.4.5 libidn2/2.0.4 nghttp2/1.31.0

一、準備資料夾 Git Clone

1、下載GIT:Git (git-scm.com)

git(Download for Wimdows)

2、tesstrainsh-win

  • 桌面右鍵(Git Bash Here)開啟Bash,輸入下面指令
git clone https://github.com/livezingy/tesstrainsh-win.git
備註:shift+INS(位置在9宮格數字鍵的0) 可以貼上

二、準備資料

1、fonts(範例為新細明體)

尋找想訓練的字體(.ttf)檔,放入fonts資料夾中
  • 若字體檔案是(.tcc)檔,可以直接手動變更副檔名
C:\Windows\Fonts
新細明體
  • 修改字體名稱(改成英文)
  由於等等在讀字型名稱時,中文的名稱會出現亂碼(目前還不確定原因),我有嘗試將Bash設定UTF-8但是沒有效果。
字型名稱:細明體
  • 字型編輯器
  底下參考資料附上FontForge的youtube教學影片
FontForge(windows):FontForge on Windows
Step1、Element
Step2、Font Info...
Step3、TFF Names
將新細明體改成英文(PMingLiU)
Step4、File
Step5、Generate Fonts...
Step6、TrueType(取消勾選Vaildata Before Saving)
Step7、Generate

2、langdata_lstm

  • 刪除原先的langdata_lstm,重新下載
  • 資料夾中點選右鍵(Git Bash Here)開啟Bash,輸入下面指令
git clone https://github.com/tesseract-ocr/langdata_lstm.git
備註:shift+INS(位置在9宮格數字鍵的0) 可以貼上

3、tessdata

下載chi_tra.traineddata放入tessdata資料夾中
將configs資料夾複製放入tessdata資料夾中
C:\Program Files\Tesseract-OCR\tessdata

三、修改tesstrainDone.sh

  使用notepad++開啟tesstrainDone.sh修改內容
  • 【CTRL+F】將eng取代為chi_tra
  • 【CTRL+F】將Impact Condensed取代為PMingLiU
  • 【CTRL+F】將Impact取代為PMingLiU
  tesstrainsh-win\langdata_lstm\chi_tra,中的所有文件使用notepad++開啟,並且修改換行格式
  • 編輯
  • 換行格式(E)
  • UNIX格式(LF)

四、執行tesstrainDone.sh

  在tesstrainsh-win中右鍵(Git Bash Here)開啟Bash,輸入下面指令
sh tesstrainDone.sh
  • 訓練結束後,會出現下面訊息
Finished! Selected model with minimal training error rate (BCER) = 2.639
Loaded file output/impact_checkpoint, unpacking...
  • tesstrainsh-win\output,會產生PMingLiU.traineddata

錯誤訊息

  • 如果不能讀取字體名稱,則使用報錯時系統建議的字體名稱
Could not find font named 'Microsoft JhengHei UI Light'.
Pango suggested font 'Microsoft JhengHei UI weight=290'.
報錯顯示:Microsoft JhengHei UI Light 建議改為 Microsoft JhengHei UI weight=290

五、測試

  將PMingLiU.traineddata放入下面路徑中
C:\Program Files\Tesseract-OCR\tessdata
  挑選一張具有文字的圖片(.PNG),於cmd中輸入指令
tesseract XXX.png result_old -l chi_tra
tesseract XXX.png result_new -l output

參考資料

為什麼會看到廣告
6會員
46內容數
這是新手寫給新手的學習程式語言基礎教學筆記,內容會以C++為主
留言0
查看全部
發表第一個留言支持創作者!
你可能也想看
Google News 追蹤
Thumbnail
學習如何將掃描的PDF轉換為可搜索文本,並高效管理和查找文件。探索先進的OCR技術如何提升文檔處理效率。
Thumbnail
平時都在用tesseract來辨識OCR的部分,在網路上也常常聽說easyOCR比tesseract好用,就拿之前測試的OCR素材來比較看看囉。 以下輸入同樣圖片直接測試,並非絕對誰就比較準,只單純測試數字含英文的部分。 圖片素材就是15碼(英文加數字),檔名為OCR正確結果
OCR (Optical Character Recognition) technology revolutionizes the conversion of texts from physical documents into digital data, enhancing processing
Thumbnail
Google Tesseract Config說明,程式範例實際修改示範 前言 Tesseract 的 config 檔案用於指定 OCR 引擎的設定和參數。這些參數可以影響文本識別的結果 本文將彙整常用參數調整,並呈現不同參數出現不同的辨識結果 官網Tesseract OCR參數說明連結
Thumbnail
使用Google Tesseract應用,擷取圖像的OCR並將讀取到的字元標註在原圖上 光學字元辨識功能 (Optical character recognition,光學字符辨識) 可以將影像中特徵範圍內的文本轉換為數字形式的文本。使用前必須安装Google Tesseract並更新
Thumbnail
這是我自行後製、加上繁體中文字幕的影片。 來源出自對岸史真醫師出版的這本書『口面肌功能治疗临床诊疗手册』,如無簡體中文閱讀障礙,是可以買來自行瞭解,增強戴活動式矯正裝置的動力。 不過此書的預設閱讀對象是醫護專業人員,有點艱深,所以我已經把大部分較適合當科普材料的部分,繁體中文化,作為我的口腔衛教材料
Thumbnail
作者申克博士(Sönke Ahrens) 在繁體版書籍線上交流講座中,分享 10 點使用卡片盒筆記法的重點原則,這篇文章摘要講座中 10 點原則的精華。有些內容翻成中文會失去脈絡,因此我在後面加上英文原文單字,並且加入一些個人理解的闡述。
Thumbnail
芫荽 ㄩㄢ‘ ㄙㄨㄟ - 繖形科「胡荽」的別名。也稱為「香菜」、「香荽」。 - 芫荽在台灣各地栽培普遍,台灣全島各地均有栽培。 - 邰智源很討厭的植物。 - 台南到處可見。 - 還好我會講台語。 Shopping Design 的介紹:按這裡 字體「芫荽」:按此下載
Thumbnail
[懷舊遊戲週報 2021/11-1] 懷舊遊戲週報收集每週與懷舊遊戲相關的新訊,預定每週五出刊。 本週主要的消息包含: ‧《復活邪神2》繁體中文版發售日確認 ‧《Eschatos》將推出 Switch 版 ‧FC/NES開發技術講解影片...等其他資訊
重點貴在持之以恒,每天做,才有效果。 請自己做這些練習吧,尤其是舌肌與吞嚥的,各有四項,我每項運動後面都有刮號註明『這項運動主要是練習那邊』。 貴在持之以恒,循序漸進,別太為難自己,畢竟您早已習慣這種狀態這麼久了,嘴巴會很酸的。 通常我只會監督、教我的矯正病人做。一般病人會視情況提提。
Thumbnail
學習如何將掃描的PDF轉換為可搜索文本,並高效管理和查找文件。探索先進的OCR技術如何提升文檔處理效率。
Thumbnail
平時都在用tesseract來辨識OCR的部分,在網路上也常常聽說easyOCR比tesseract好用,就拿之前測試的OCR素材來比較看看囉。 以下輸入同樣圖片直接測試,並非絕對誰就比較準,只單純測試數字含英文的部分。 圖片素材就是15碼(英文加數字),檔名為OCR正確結果
OCR (Optical Character Recognition) technology revolutionizes the conversion of texts from physical documents into digital data, enhancing processing
Thumbnail
Google Tesseract Config說明,程式範例實際修改示範 前言 Tesseract 的 config 檔案用於指定 OCR 引擎的設定和參數。這些參數可以影響文本識別的結果 本文將彙整常用參數調整,並呈現不同參數出現不同的辨識結果 官網Tesseract OCR參數說明連結
Thumbnail
使用Google Tesseract應用,擷取圖像的OCR並將讀取到的字元標註在原圖上 光學字元辨識功能 (Optical character recognition,光學字符辨識) 可以將影像中特徵範圍內的文本轉換為數字形式的文本。使用前必須安装Google Tesseract並更新
Thumbnail
這是我自行後製、加上繁體中文字幕的影片。 來源出自對岸史真醫師出版的這本書『口面肌功能治疗临床诊疗手册』,如無簡體中文閱讀障礙,是可以買來自行瞭解,增強戴活動式矯正裝置的動力。 不過此書的預設閱讀對象是醫護專業人員,有點艱深,所以我已經把大部分較適合當科普材料的部分,繁體中文化,作為我的口腔衛教材料
Thumbnail
作者申克博士(Sönke Ahrens) 在繁體版書籍線上交流講座中,分享 10 點使用卡片盒筆記法的重點原則,這篇文章摘要講座中 10 點原則的精華。有些內容翻成中文會失去脈絡,因此我在後面加上英文原文單字,並且加入一些個人理解的闡述。
Thumbnail
芫荽 ㄩㄢ‘ ㄙㄨㄟ - 繖形科「胡荽」的別名。也稱為「香菜」、「香荽」。 - 芫荽在台灣各地栽培普遍,台灣全島各地均有栽培。 - 邰智源很討厭的植物。 - 台南到處可見。 - 還好我會講台語。 Shopping Design 的介紹:按這裡 字體「芫荽」:按此下載
Thumbnail
[懷舊遊戲週報 2021/11-1] 懷舊遊戲週報收集每週與懷舊遊戲相關的新訊,預定每週五出刊。 本週主要的消息包含: ‧《復活邪神2》繁體中文版發售日確認 ‧《Eschatos》將推出 Switch 版 ‧FC/NES開發技術講解影片...等其他資訊
重點貴在持之以恒,每天做,才有效果。 請自己做這些練習吧,尤其是舌肌與吞嚥的,各有四項,我每項運動後面都有刮號註明『這項運動主要是練習那邊』。 貴在持之以恒,循序漸進,別太為難自己,畢竟您早已習慣這種狀態這麼久了,嘴巴會很酸的。 通常我只會監督、教我的矯正病人做。一般病人會視情況提提。