用图像代替字体训练tesseract 4

Question

关于如何为tesseract 4制作tiff/box文件，我有一些问题。在TrainingTesseract 4.00文档中：

用基本的Tesseract制作Box文件，可以选择从字体中绘制合成训练数据，还是标记一些已有的图像(例如，古代手稿)。

但它并没有解释如何使用现有的图像进行训练。

我想为波斯语进行第4课(lstm)的训练。我有一些来自古代手稿的图像，我想用图像和文字来训练，而不是字体。所以我不能使用text2image命令。我知道旧的格式框文件将不适用于LSTM培训。

1. 我如何为tessearct4LSTM制作tif/box，然后给它们加上标签，以及如何更改tesseract命令？
2. 我是否应该使用其他工具来生成框文件(考虑到波斯语是从右到左)？
3. 我应该使用微调还是从头开始训练？

Answer 1

我和你一样挣扎，直到我找到了这个github存储库：https://github.com/OCR-D/ocrd-train

这会让你的生活超级轻松。您所需要做的就是将您的图像设置为tif格式，并且您的文本应该具有扩展名.gt.txt的相同图像名。它会照顾好你剩下的一切。(您可能需要根据本地机器更新Makefile )

是从头开始训练还是微调取决于你自己的语言、数据和你想要解决的问题。对我来说，细微的调整是我所需要的，因为我对目前的表现很满意，但需要补充一下。

您可能需要的所有有用的细节都可以在这个回答中找到。

Answer 2

1)使用下面的命令使lstmbox

tesseract test.tif test-lstmbox  -l eng --psm 6 lstmbox

它将为您制作一个lstmbox，但是您必须更正方框文件中的字符。

2)你需要足够的数据从零开始训练，所以我建议微调是更好的选择。