正方体 - 训练

Posted 2023-04-17

【中文标题】正方体 - 训练

【英文标题】：Tesseract - training

【发布时间】：2016-02-12 17:38:06

【问题描述】：

我正在尝试通过 tesseract 学习一些东西。

我正在使用 jTessBoxEditor 和 Serak。

首先，我创建了一些 .txt，其中包含例如 10 000 个字符，它们用一个空格分隔。我将其用作 TIFF/BOX 生成器中 jTessBoxEditor 的输入。这会为我创建盒子和 .tiff 图像。

现在我验证了这些框，我发现它们是正确的。所以我在 Serak 中使用它并训练 tesseract 并创建了一些 xxx.traineddata。

现在我想验证结果。因此，我创建了一个小的 .txt，例如用空格分隔的 100 个字符，但所有字符都非常相似（文件包含类似 5 S 5 S 0 O 2 Z 等内容）。现在我用与学习相同的方法创建 .tiff，所以我使用 jTessBoxEditor、相同的字体并生成新的 .tiff 文件。在 Serak 中，我尝试对这个新的 .tiff 进行 OCR，结果是 0 与 O 混合，5 与 S 混合，依此类推。

我做错了什么？

【问题讨论】：

如果你在 jTessBoxEditor 中训练，它能够验证生成的.traineddata 文件。

当然。但我真的很困惑，因为当我使用用于训练 tesseract 的图像，然后我尝试使用新的训练数据来 ocr 相同的图像时，tesseract 给了我不好的结果（0 -> O 等等）。

【参考方案1】：

您确定您创建的新字体已放入 .traineddate 文件吗？您必须将字体添加到 font-properties 文件中，在字体上运行 unicharset_extractor，然后 mftraining 和 cntraining，然后将所有内容组合在一起以获得生成的 .traineddata 文件。我遇到了与您类似的情况，我猜想错误很可能是在创建 .traineddata 文件中。在你的新字体加入后，tesseract 应该可以确定你刚刚训练它的文件的字符是什么。