tesseract 4.1 训练（train） 基于jTessBoxEditorFX

EVN: Ubuntu16.04 

1.安装　tessract-orc  

1.1.tesseract-ocr安装 ( 默认安装路径:/usr/share/tesseract-ocr/4.00/tessdata)

sudo add-apt-repository ppa:alex-p/tesseract-ocr

sudo apt-get update 

sudo apt-get install tesseract-ocr

1.2.安装训练数据(equ为数学公式包) 

sudo apt-get install tesseract-ocr-eng  tesseract-ocr-chi-sim  tesseract-ocr-equ

1.3.下载：jTessBoxEditorFX

 jTessBoxEditor2.0工具，用于调整图片上文字的内容和位置，

下载地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

安装包解压后“ java -jar  jTessBoxEditor.jar”，或者双击该目录下的“train.bat”脚本文件，就可以打开该工具了。

2.准备训练数（自己准备多一些）

 

３．将图片转为TIF格式 (点击tools->Merge Tiff)

为了进行后续的操作，合并后的文件名需要按照一定的规则来命令：

[lang].[fontname].exp[num].tif

其中：

• lang表示语言名称；
• fontname表示字体名称；
• num表示序号

在这里，我们将TIF的文件名保存为了：cqc.font.exp0.tif

４、生成TIF图片的box盒子文件

生成box盒子文件是为了标识出图片中文字的具体位置。如果要训练进行训练，我们必须得准备tif/box这一文件对。在此，我们通过Tesseract的makebox命令来生成box盒子文件，其命令为

 tesseract cqc.font.exp0.tif cqc.font.exp0 -l  chi_sim   batch.nochop makebox

在命令行中运行此命令，我们将会得到一个和TIF文件同名的box文件：cqc.font.exp0.box

补充和修正box盒子文件

Tesseract4.0与之前版本对于box盒子文件要求的区别在于，在Tesseract4.0中，不再要求box盒子文件中对文本的框选精确到单个字符，只需要将框的位置覆盖到一行文本即可。

但是为了便于训练，我们还是选择对单个字符进行框选。同时，makebox命令生成的box盒子文件不一定是完全无误的，有一些图片可能就没有识别出盒子框来，而jTessBoxEditor这个软件只能对已存在的box信息进行处理，没有办法在缺失box信息的图片上新增box。

５、调整　box盒子文件

打开之前的JTessBoxEdit软件， 点击“Box Editor”选项卡，open 加载TIF文件对box进行修改（box文件和tif文件需要在同一个文件夹下）：

 图片上面一共有５列，分别为：字符名称、X轴坐标、Y轴坐标、字符宽度、字符高度，点击可以调整，

操作完，记得点击save 

box修改好之后。我们就可以进行下一步了。

６、生成lstmf文件

这一步，我们通过TIF图像文件和box盒子文件生成进行LSTM训练所需的lstmf文件，使用到的命令如下所示：

tesseract cqc.font.exp0.tif cqc.font.exp0 -l chi_sim --psm 6 lstm.train

运行之后，我们的文件夹下会生成一个名为cqc.font.exp0.lstmf的文件。

7、提取语言的LSTM文件

接着从tesseract_best（https://github.com/tesseract-ocr/tessdata_best）下载相应语言的traineddata文件。

这里选择chi_sim.traineddata文件。 (必须是在这下载来的，不要用安装时的，否则报错)

下载好之后，我们需要从中提取中它的LSTM文件，使用的命令如下所示：

(此处可以使用之前已有的chi_sim.traineddata提取　chi_sim.lstm,训练时指定用这个，最后合并是tarineddata 也用之前的chi_sim.traineddata，这样合并后的数据会有原有的基因，并且原始基因影响最小)

combine_tessdata -e chi_sim.traineddata chi_sim.lstm

运行上述命令，我们的文件夹下会生成一个名为chi_sim.lstm的文件。

新建一个名为chi_sim.training_files.txt的文本文件，在里面填入　第六步　生成的cqc.font.exp0.lstmf文件的绝对路径。

8、训练

使用下面的命令就可以开始训练：

lstmtraining \
--model_output="/home/sea/Desktop/orc/output/output" \
--continue_from="/home/sea/Desktop/orc/train/chi_sim.lstm" \
--train_listfile="/home/sea/Desktop/orc/chi_sim.training_files.txt" \
--traineddata="/home/sea/Desktop/orc/train/chi_sim.traineddata" \
--debug_interval -1 \
--max_iterations 4000

说明：

--modeloutput 模型训练输出的路径（新建了一个名为output的文件夹用来存输出的文件)
--continue_from 训练从哪里继续(从tesseract_best下载的.traineddata,提取语言的LSTM文件)（建议用已有的data,提取lstm）  
--train_listfile 指定上一步创建的文件的路径(里面包含训练图片生成lstmf文件的绝对路径)
--traineddata  必须tesseract_best下载的.traineddata文件的路径 (chi_sim.traineddata)
--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

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

９、合并数据

我们接着使用命令把这些文件和之前的eng.traineddata合成为新的traineddata文件，使用命令如下： 

lstmtraining \
 --stop_training  \
--continue_from="/home/sea/Desktop/orc/output/output_checkpoint"  \
--traineddata="/home/sea/Desktop/orc/train/chi_sim.traineddata"  \
--model_output="/home/sea/Desktop/orc/sea.traineddata"

各个参数的意义：
--stop_training 默认必须有
--continue_from 上一步生成的output_checkpoint文件路径
--traineddata 从tesseract_best下载的chi_sim.traineddata文件的路径 (建议直接使用之前已有的数据，这样新数据会保留之前的基因)
--model_output  sea.traineddata 输出的路径 (名字可以随意修改，)

10、测试： 

拷贝数据　/home/sea/Desktop/orc/sea.traineddata　到　/usr/share/tesseract-ocr/4.00/tessdata/下

    img = Image.open("/home/sea/Desktop/orc/2.png")
    # tess_data_dir_conf = '--tessdata-dir "/home/sea/tesseract-ocr/tessdata-main"'
    # pytesseract.pytesseract.tesseract_cmd = "/usr/bin/tesseract"
    # text = pytesseract.image_to_string(img, config=tess_data_dir_conf, lang="chi_sim")
    text = pytesseract.image_to_string(img, lang="sea")
    print(text)