Tesseract-OCR 4.1 LSTM训练方法

曾参考此处->：https://blog.csdn.net/qq_30110069/article/details/98742701

Tesseract-OCR 4.1 LSTM训练流程 (win10环境)

一、配置tesseract 4.1版本

可通过自行编译源码或者下载安装文件安装tesseract。最新的tesseract 4.1 LSTM版无法找到安装文件，通过编译源码生成如下目录：

下载源码VS2017自行编译tesseract 4.1教程： https://blog.csdn.net/kds0714/article/details/90755691
配置环境变量

1、将bin目录加到系统变量Path

2、将tessdata(训练的字库文件) 加到管理员用户变量，变量名TESSDATA_PREFIX，变量值为tessdata目录的路径


测试环境：

Win+R 分别输入:

tesseract --version

tesseract --list-langs

查看版本和当前含有的语言库，有返回值即可

二、训练流程

基本流程：

(1) jTessBoxEditor将样本合成tif文件

(2) 用已有的库识别tif文件，产生记录着数字内容，左上角坐标，宽高的.box文件。已有的库可以是下载的，也可以是自己训练出的

(3) 用jTessBoxEditor工具标注样本，调整.box文件数字内容和位置

(4) 在已有库的基础上训练样本，合成训练文件。

(5) 将合成后的文件放在tessdata文件夹中，通过代码调用来识别，测试识别率。

训练可迭代：如用eng为基础，训练样本生成nml，nml仍含有eng的效果，但按理说效果可能会减弱些。所以可以加上不同种类的样本训练成一个大字库。

准备：

训练目录下，至少应含有合成的.tif文件。需要作为基础字库的原.traineddata文件，如eng.traineddata

以官方下载的eng为例，训练nml.num.exp0

1、用jTessBoxEditor工具，将样本文件合并成.tif文件。规定如下命名格式：[lang].[fontname].exp[num].tif

如nml.num.exp0.tif，nml是语言名，num是字体名，exp0是版本号。训练过程应保持这种命名习惯

jTessBoxEditor工具的使用：

Tools -> Merge TIFF，选择文件类型为all the images，选中所有图片 -> 命名为***.tif 合并为.tif文件

2、在训练目录下打开cmd，用现有的字体库识别.tif文件，生成对应的.box文件。比如，用eng库识别样本，生成.box文件：

tesseract nml.num.exp0.tif nml.num.exp0 -l eng --psm 6 batch.nochop makebox

输入命令后，会生成nml.um.exp0.box文件。

其中命令参数含义：

nml.num.exp0.tif 上一步生成的.tif 格式的文件

nml.num.exp0 指明要生成的.box文件的名称

-l eng表示识别使用的语言是eng，

–psm表示采用的识别模式，通常6比较好。可通过tesseract --help-psm查看所有的识别模式。6指的是假设去识别一个单一的文本块。

3、jTessBoxEditor调整.box文件

Box Editor -> Open打开.tif文件，会关联同名的.box文件。调整数字时对应修改.box文件。

4、利用.tif和.box文件，生成.lstmf文件用于lstm训练

tesseract nml.num.exp0.tif nml.num.exp0 -l eng --psm 6 lstm.train

其中每个参数的意义为

nml.num.exp0.tif 上一步生成的.tif 格式的文件

nml.num.exp0 指明要生成的.lstmf文件的名称

运行后会多出一个nml.num.exp0.lstmf文件

5、用已有的或官方下载的.traineddata文件中提取.lstm文件

https://github.com/tesseract-ocr/tessdata_best 从该链接中下载所需语言的.traineddata文件

注：一定要用从上述链接中下载的.traineddata文件，其他的.traineddata文件中提取.lstm文件无法进行训练。

将下载好的.traineddata文件拷贝到训练文件夹下

combine_tessdata -e eng.traineddata eng.lstm

运行上述代码，会从.traineddata文件中提取出eng.lstm 文件

6. 创建文件，里边的内容为.lstmf文件的路径地址
7、进行训练

lstmtraining --model_output="F:\Test\AMyWork\ImgSampleLib\nomal\samples\CTCCB24\output\output" --continue_from=F:\Test\AMyWork\ImgSampleLib\nomal\samples\CTCCB24\eng.lstm" 
--train_listfile="F:\Test\AMyWork\ImgSampleLib\nomal\samples\CTCCB24\eng.training_files.txt" --traineddata="F:\Test\AMyWork\ImgSampleLib\nomal\samples\CTCCB24\eng.traineddata" 
--debug_interval -1 --max_iterations 2000 

各个参数的意义：

–model_output 模型训练输出的路径，命令中我的训练目录是CTCCB24，新建output\output存放训练阶段文件和最终的字库

–continue_from 训练从哪里开始，这里指定从第4步中提取的eng.lstm文件。也可从之前训练生成的阶段文件output_checkpoint开始。

–train_listfile 指定上一步创建的eng.training_files.txt文件路径

–traineddata 第4步中下载的.traineddata文件的路径

–debug_interval 当值为-1时，训练结束，会显示训练的一些结果参数

–max_iterations 指明训练遍历次数。最好使用这个参数：–target_error_rate 0.01 训练至错误率低于0.01

训练结束后，在output文件夹中会生成一个output_checkpoint文件和多个类似output0.012_3.checkpoint的.checkpoint文件

8、将checkpoint文件和.traineddata文件合并成新的.traineddata文件

lstmtraining --stop_training --continue_from="F:\Test\AMyWork\ImgSampleLib\nomal\samples\CTCCB24\output\output_checkpoint" 
--traineddata="F:\Test\AMyWork\ImgSampleLib\nomal\samples\CTCCB24\eng.traineddata" --model_output="F:\Test\AMyWork\ImgSampleLib\nomal\samples\CTCCB24\output\nml.traineddata"

各个参数的意义：

–stop_training 默认要有

–continue_from 上一步生成的output_checkpoint文件路径

–traineddata 第4步中下载的已有.traineddata文件的路径

–model_output zth.traineddata 输出的路径

9、将新生成的nml.traineddata文件拷贝到tessdata文件夹下，通过代码进行识别

注意：VS项目要配置好tesseract4.1的头文件、库目录，指定tessdata目录

一些质量不好的图片可能仍然需要二值化、滤波等预处理操作

bozhu不是大佬，各位看官可以结合其他博客使用。。。
项目过去了就没有及时复盘…有时间定会继续研究。
当然每人的问题可能跟环境等都有问题，当时是自己用VS2017编译的源码，后期会提供编译后文件。
当时调用时遇到过奇怪的问题：
当时是因为在自己电脑上编译，在硬件垃圾的服务器上调用。
出现 应用程序无法运行0xc000001d的问题，查找issues找到原因：编译tesseract时makefile文件默认开启cpu的AVX2指令集加速。但调用时若不支持AVX2指令集，就会报这个错误。
只有3代以上cpu才支持AVX2指令集
若有这种问题请移步:
https://blog.csdn.net/Hu_helloworld/article/details/102612794

有问题建议先查找issues，总能找到答案：
https://github.com/tesseract-ocr/tesseract/issues