Tesseract OCR - 繁體中文【訓練篇】

Tesseract OCR：tesseract-ocr/tesseract: Tesseract Open Source OCR Engine (main repository) (github.com)

Tesseract User Manual：Tesseract User Manual | tessdoc (tesseract-ocr.github.io)

How to train LSTM Tesseract：tessdoc/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)

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

livezingy/tesstrainsh-win: Train Tesseract LSTM with tesstrain.sh on Windows (github.com)

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

• 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

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

tessdata_best：tesseract-ocr/tessdata_best: Best (most accurate) trained LSTM models. (github.com)

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

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'.

五、測試

C:\Program Files\Tesseract-OCR\tessdata

tesseract XXX.png result_old -l chi_tra

tesseract XXX.png result_new -l output

參考資料