Tessract 训练流程

训练流程

参考链接

1. 创建training_text.txt文件
2. 利用text2image工具将training_text.txt文件生成对应的图像文件eng.freemono.exp0.tif和box信息文件eng.freemono.exp0.box

text2image –text=training_text.txt –outputbase=[lang].[fontname].exp0 –font='Font Name' –fonts_dir=/path/to/your/fonts

3.利用tessrect来训练

act [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] box.train.stderr

生成两个文本文件：eng.freemono.exp0.tr和eng.freemono.exp0.txt。

4.生成字符集信息，这需要用到一个叫unicharset_extractor的训练工具
用法为：

unicharset_extractor lang.fontname.exp0.box lang.fontname.exp1.box …

这一步会生成一个名为unicharset的文本文件，正如其名字表明的，这个文件记录的是一个字符集，它存有box文件里面不重复的字符信息，每个单独字符占一行。

5.创建字体信息文件font_properties

6.聚合
shapeclustering, mftraining及cntraining的用法：

shapeclustering -F font_properties -U unicharset lang.fontname.exp0.tr lang.fontname.exp1.tr …
mftraining -F font_properties -U unicharset -O lang.unicharset lang.fontname.exp0.tr lang.fontname.exp1.tr …
cntraining lang.fontname.exp0.tr lang.fontname.exp1.tr …

shapeclustering 会生成一个shapetable文件
mftraining会生成三个文件：eng.unicharset, inttemp, pffmtable
cntraining会生成一个normproto文件

7.合成，生成.traineddata文件：利用combine_tessdata工具来生成：

combine_tessdata eng.

combine_tessdata

Usage for combining tessdata components:
combine_tessdata language_data_path_prefix
(e.g. combine_tessdata tessdata/eng.)

Usage for extracting tessdata components:
combine_tessdata -e traineddata_file [output_component_file…]
(e.g. combine_tessdata -e eng.traineddata eng.unicharset)

Usage for overwriting tessdata components:
combine_tessdata -o traineddata_file [input_component_file…]
(e.g. combine_tessdata -o eng.traineddata eng.unicharset)

Usage for unpacking all tessdata components:
combine_tessdata -u traineddata_file output_path_prefix
(e.g. combine_tessdata -u eng.traineddata tmp/eng.)