如何为Tesseract标注培训数据

Question

我想训练我自己的模型，用Tesseract检测和识别身份证。我想从它中提取像名字，id这样的关键信息。数据看起来像:数据示例

​

培训的引入只能输入单行文本，我很困惑如何在Tesseract中训练检测模型，应该在单个字符上标注还是在每个框中标注整个文本行。(https://github.com/tesseract-ocr/tesstrain) 在这里输入图像描述

Answer 1

哦，我想我明白了。Tesseract不需要一个检测模型来获取文本行的位置，它识别每个blob(字母)，并使用每个字母的位置来定位文本行。

​

​

Answer 2

1 O_ne Character R_eplacement从图像到文本是基于分组训练的。

因此，在第一个测试样本中，我们的想法是让tesseract理解ch连接是作为两个字母输出的，δ是小写d，f是k，Uber是Aber等等。

​

​

然而，如果没有公认的字符排列字典，这就无法正确拼写单词，因此，您需要训练所有您可以预期的单词，比如123是允许的，而不是321，或者是您允许所有的数字。

那么问题是¦应该是i | l or 1 !吗？而且只有人类的智能语境才有可能同意什么是100%正确的，特别是当斜体是/ = i | l or 1 !还是斜体/时？

与背景相比，字符越清晰，通常会产生最好的效果，字符内部定义的空白有助于区分B和8，因此分辨率也是一个帮助或阻碍。

​

= INT 3O 80 S~A MARIA

在这种情况下，BO和STA的字典条目可能会有所帮助。