1. 准备资料：
(1) https://github.com/tesseract-ocr/tesseract 项目，到linux中安装
==这一步可以理解linux为安装tesseract5环境，这里直接用安装tesseract的镜像启动之后测试。
关于镜像安装tesseract参考https://www.cnblogs.com/qlqwjy/p/13028194.html
这里我把centos升级为8.也就是tesseract环境部署在centos8，我一开始用的centos7.3，会报错ICU版本过低。下面的安装也是在centos8镜像中。
启动镜像并且进入容器查看内核和发行版：
[root@0f76915a8f71 ocrtemplate]# uname -a Linux 0f76915a8f71 4.14.154-boot2docker #1 SMP Thu Nov 14 19:19:08 UTC 2019 x86_64 x86_64 x86_64 GNU/Linux [root@0f76915a8f71 ocrtemplate]# cat /etc/redhat-release CentOS Linux release 8.1.1911 (Core)
(2) 训练的字体库，以黑体字体库为例，需要字体库simhei.ttf。
linux下面：
列出已安装字体文件fc-list
列出中文字体文件fc-list :lang=zh
Windows的目录C:WindowsFontssimhei.ttf 拷贝到linux的目录：/usr/share/fonts/zh
fc-list不是命令需要安装一下：
yum install -y fontconfig mkfontscale
字体上传之后如下：
[root@f7744ac1467d zh]# fc-list :lang=zh
/usr/share/fonts/zh/SIMHEI.TTF: SimHei:style=Normal
(3) langdata_lstm项目克隆到本地：
https://github.com/tesseract-ocr/langdata_lstm
也可以只下载chi_sim目录与eng目录外加下面五个文件：
common.punc
font_properties
Latin.unicharset
Latin.xheights
radical-stroke.txt
tessdata官方训练好的字库，这里我们训练的是中文，所以去下载chi_sim.traineddata以及eng.traineddata,eng.traineddata是必须的。
用的时候我们可以用fast版本字体库，但是训练时的版本必须用best版本的字体库。
字体库下载地址：
https://github.com/tesseract-ocr/tessdata_best
https://github.com/tesseract-ocr/tessdata_fast
(4)安装需要的依赖库：
参考文档：https://tesseract-ocr.github.io/tessdoc/Compiling.html#linux
第一步：查看以及安装cairo
[root@0f76915a8f71 zh]# yum list cairo Last metadata expiration check: 0:45:55 ago on Thu 04 Jun 2020 10:05:43 AM UTC. Available Packages cairo.i686 1.15.12-3.el8 AppStream cairo.x86_64 1.15.12-3.el8 AppStream [root@0f76915a8f71 zh]# yum install cairo.i686
第二步：查看以及安装pango（安装pango的时候也需要安装pango-devel）
[root@0f76915a8f71 zh]# yum list pango Last metadata expiration check: 0:48:03 ago on Thu 04 Jun 2020 10:05:43 AM UTC. Available Packages pango.i686 1.42.4-6.el8 AppStream pango.x86_64 1.42.4-6.el8 AppStream [root@0f76915a8f71 zh]# yum install pango.i686
第三步：查看以及安装icu：
[root@0f76915a8f71 zh]# yum list icu Last metadata expiration check: 0:49:26 ago on Thu 04 Jun 2020 10:05:43 AM UTC. Available Packages icu.x86_64 60.3-2.el8_1 BaseOS [root@0f76915a8f71 zh]# yum install icu.x86_64
第四步：安装如下依赖
yum install asciidoc.noarch
libicu-devel.x86_64
yum install libtiff
yum install pango-devel.x86_64
(5)重新进入tesseract-master进入安装：
cd /opt/tesseract/tesseract-master
第一步：
./autogen.sh
第二步：
./configure
这一步configure完成会出现提示安装Trainging Tools：(中间如果缺少哪个依赖会在checking for 的时候提示)
checking for off_t... yes checking for mbstate_t... yes checking for pkg-config... /usr/bin/pkg-config checking pkg-config is at least version 0.9.0... yes checking for libcurl... no checking for LEPTONICA... yes checking for libarchive... no checking for ICU_UC... yes checking for ICU_I18N... yes checking for pango... yes checking for cairo... yes checking for pangocairo... yes checking for pangoft2... yes checking that generated files are newer than configure... done configure: creating ./config.status config.status: creating include/tesseract/version.h config.status: creating Makefile config.status: creating tesseract.pc config.status: creating tessdata/Makefile config.status: creating tessdata/configs/Makefile config.status: creating tessdata/tessconfigs/Makefile config.status: creating unittest/Makefile config.status: creating java/Makefile config.status: creating java/com/Makefile config.status: creating java/com/google/Makefile config.status: creating java/com/google/scrollview/Makefile config.status: creating java/com/google/scrollview/events/Makefile config.status: creating java/com/google/scrollview/ui/Makefile config.status: creating doc/Makefile config.status: creating src/training/Makefile config.status: creating config_auto.h config.status: executing depfiles commands config.status: executing libtool commands Configuration is done. You can now build and install tesseract by running: $ make $ sudo make install $ sudo ldconfig Documentation will not be built because asciidoc or xsltproc is missing. Training tools can be built and installed with: $ make training $ sudo make training-install
第三步：执行安装训练环境
make training make training-install
第四步：执行text2image测试
[root@0f76915a8f71 tesseract-master]# text2image -v Using CAIRO_FONT_TYPE_FT. Pango version: 1.42.3 5.0.0-alpha
2.开始训练
1. 生成待训练数据(官方 best版本的chi_sim 中文字库训练样本为 12MB 左右的文本，全部生成图片的话会过大，所以这里指定最多生成 5 页文字)
(1)best版本的traineddata移动到/usr/local/share/tessdata/ 目录，eng必须存在。而且必须用best版本
(2)生成待训练数据(官方 langdata 中中文字库训练样本为 25MB 左右的文本，全部生成图片的话会过大，所以这里指定最多生成 5 页文字)
1700页以后报错，没有找到原因，所以每次提取我最多到1700页。而且/usr/local/share/tessdata下面的chi_sim.traineddata一定是best版本的。
/opt/tesseract/tesseract-master/src/training/tesstrain.sh --fonts_dir /usr/share/fonts/zh --lang chi_sim --linedata_only --noextract_font_properties --langdata_dir /opt/tesstrain/langdata_lstm --tessdata_dir /usr/local/share/tessdata --save_box_tiff --maxpages 5 --fontlist "SimHei" --output_dir /opt/tesstrain/imgs
参数解释：
--exposures EXPOSURES # A list of exposure levels to use (e.g. "-1 0 1"). --fontlist FONTS # A list of fontnames to train on. --fonts_dir FONTS_PATH # Path to font files. --lang LANG_CODE # ISO 639 code. --langdata_dir DATADIR # Path to tesseract/training/langdata directory. --linedata_only # Only generate training data for lstmtraining. --output_dir OUTPUTDIR # Location of output traineddata file. --overwrite # Safe to overwrite files in output_dir. --run_shape_clustering # Run shape clustering (use for Indic langs). --maxpages # Specify maximum pages to output (default:0=all) --save_box_tiff # Save box/tiff pairs along with lstmf files. --xsize # Specify width of output image (default:3600)
解释：这一步操作，实际上是利用 text2image 将要训练的样本文字转换为 tif 图片，生成的图片中的文字都是校正好的，可以自己打开看一下。这样一来，我们知道生成的图片对应的正确文字，我们就可以拿来与官方现有训练好的数据进行评估。即：用官方现有的训练字库来识别生成的图片，将识别结果，与我们生成时已知的文字进行对比，就能知道当前训练库对于当前字体的识别率了，当然，这不需要我们自己手动去识别比对计算识别率了，有专门的工具。
生成的训练文件都在/opt/tesstrain/imgs目录下。提取的文件列表如下：
[root@0f76915a8f71 imgs]# ls -l total 4492 drwxr-x--- 2 root root 4096 Jun 5 01:50 chi_sim -rw-r--r-- 1 root root 481134 Jun 5 01:50 chi_sim.SimHei.exp0.box -rw-r--r-- 1 root root 3062484 Jun 5 01:50 chi_sim.SimHei.exp0.lstmf -rw-r--r-- 1 root root 1041136 Jun 5 01:50 chi_sim.SimHei.exp0.tif -rw-r--r-- 1 root root 46 Jun 5 01:50 chi_sim.training_files.txt
2. 提取 chi_sim.lstm 文件：
[root@0f76915a8f71 imgs]# combine_tessdata -e /usr/local/share/tessdata/chi_sim.traineddata /opt/tesstrain/chi_sim.lstm Extracting tessdata components from /usr/local/share/tessdata/chi_sim.traineddata Wrote /opt/tesstrain/chi_sim.lstm Version string:4.00.00alpha:chi_sim:synth20170629:[1,48,0,1Ct3,3,16Mp3,3Lfys64Lfx96Lrx96Lfx512O1c1] 0:config:size=89, offset=192 17:lstm:size=1546461, offset=281 18:lstm-punc-dawg:size=282, offset=1546742 19:lstm-word-dawg:size=590634, offset=1547024 20:lstm-number-dawg:size=82, offset=2137658 21:lstm-unicharset:size=258834, offset=2137740 22:lstm-recoder:size=72494, offset=2396574 23:version:size=84, offset=2469068
3.用提取的lstm文件进行评估：
lstmeval --model /opt/tesstrain/chi_sim.lstm --traineddata /usr/local/share/tessdata/chi_sim.traineddata --eval_listfile /opt/tesstrain/imgs/chi_sim.training_files.txt
上面的评估过程可以省略，只是用来查看当前的识别精度而已，不执行也行。
4.开始训练
OMP_THREAD_LIMIT=8 lstmtraining --model_output /opt/tesstrain/simhei --continue_from /opt/tesstrain/chi_sim.lstm --traineddata /usr/local/share/tessdata/chi_sim.traineddata --train_listfile /opt/tesstrain/imgs/chi_sim.training_files.txt --max_iterations 5
continue_from参数，该参数指定了从前面提取出来的神经网络，也就是在现有的训练字库基础上进行训练，不仅仅可以是.lstm文件，也可以是chexbox文件，chexbox是训练生成的文件，比如上面的命令，训练输出文件夹~/tesstutorial/output/simhei就会生成chexbox文件。
如果训练指定次数后结果还不满意，可以继续训练，这时可以重复执行上面命令，如果chi_sim.lstm不小心删除了，可以指定--continue_from改成~/tesstutorial/output/simhei中的checkbox文件，需要注意的是，-max_iterations需要比上一次大，因为它是接着之前的训练结果开始训练的。
==========训练结果格式如下：======================= At iteration 14615/695400/698614, Mean rms=0.158%, delta=0.295%, char train=1.882%, word train=2.285%, skip ratio=0.4%, wrote checkpoint. 14615: learning_iteration 学习迭代 695400: training_iteration 训练迭代 698614: sample_iteration 样本迭代次数 learning_iteration ： “Number of iterations that yielded a non-zero delta error and thus provided significant learning. (learning_iteration <= training_iteration). learning_iteration_ is used to measure rate of learning progress.” So it uses the delta value to assess it the iteration has been useful. “产生非零delta误差从而提供重要学习的迭代次数。（学习迭代<=训练迭代）。“学习迭代”是用来衡量学习进度的，“所以它使用delta值来评估它，迭代是有用的 training_iteration “Number of actual backward training steps used.” It is how many times a training file has been SUCCESSFULLY passed into the learning process. So every time you get an error : “Image too large to learn!!” - “Encoding of string failed!” - “Deserialize header failed”, the sample_iteration increments but not the training_iteration. Actually you have 1 - (695400 / 698614) = 0.4% which is the skip ratio : proportion of files that have been skipped because of an error “实际使用的反向培训步骤数”。这是一个训练文件成功传递到学习过程中的次数。所以每次你得到一个错误：“图像太大，无法学习！！字符串的“-”编码失败！“-”反序列化头失败“，示例迭代递增，但不是训练迭代。实际上，您有1-（695400/698614）=0.4%，这是跳过率：由于错误而被跳过的文件的比例 sample_iteration ： “Index into training sample set. (sample_iteration >= training_iteration).” It is how many times a training file has been passed into the learning process. “索引到训练样本集中。（sample_iteration>=training_iteration）。“这是一个训练文件传递到学习过程中的次数。 skip ratio：由于错误而被跳过的文件 1-(training_iteration/sample_iteration) = 1- (695400 / 698614) = 0.4%
5.合并训练结果：
lstmtraining --stop_training --continue_from /opt/tesstrain/simhei_checkpoint --traineddata /usr/local/share/tessdata/chi_sim.traineddata --model_output /usr/local/share/tessdata/chi_sim_simhei.traineddata
最终生成我们训练好的chi_sim_simhei.traineddata文件。
如果想像官方那样生成fast版本，可用如下命令将chi_sim_simhei.traineddata转成fast版本：
combine_tessdata -c chi_sim_simhei.traineddata
再次查看语言列表：
[root@0f76915a8f71 tessdata_best-master]# tesseract --list-langs List of available languages (5): chi_sim chi_sim_fast chi_sim_simhei eng eng_fast
6.测试：
#只指定语言。指定语言需要用到chi_sim_vert.traineddata tesseract ./normal.png chi_sim__simhei_result -l chi_sim_simhei tesseract ./normal.png chi_sim__simhei_result -l chi_sim -c preserve_interword_spaces=1 tesseract ./normal.png chi_sim__simhei_result -l chi_sim -c preserve_interword_spaces=1 --dpi 300 tesseract ./normal.png chi_sim__simhei_result -l chi_sim -c preserve_interword_spaces=1 --dpi 300 --oem 1 # 指定 --psm 1 需要用到 osd.traineddata tesseract ./normal.png chi_sim__simhei_result -l chi_sim -c preserve_interword_spaces=1 --dpi 300 --oem 1 --psm 1
3.容器commit为镜像
Administrator@MicroWin10-1535 MINGW64 /e/tesseractTrain/docker制作tesseract5Train镜像 $ docker ps -a CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES 0f76915a8f71 daocloud.io/library/centos:centos8 "/bin/bash" 16 hours ago Up 16 hours friendly_cannon Administrator@MicroWin10-1535 MINGW64 /e/tesseractTrain/docker制作tesseract5Train镜像 $ docker commit 0f76915a8f71 tesseracttraining #容器导出为镜像 sha256:0c80e881e0d2ba32ff930d2d6ec2645b9d2414c8d4c744e9efacf5be35c5f37a Administrator@MicroWin10-1535 MINGW64 /e/tesseractTrain/docker制作tesseract5Train镜像 $ docker images | grep training tesseracttraining latest 0c80e881e0d2 28 seconds ago 2.15GB
4.镜像save为tar包便于迁移
docker save -o tesseracttraining.tar tesseracttraining
接下来tar包可以随便迁移，离线安装。
当然可以提交到镜像仓库。
补充：如果yum源上述命令没有的话需要修改yum源为阿里：果yum源上述命令没有的话需要修改yum源为阿里：
(1)备份：
mv /etc/yum.repos.d/CentOS-Base.repo /etc/yum.repos.d/CentOS-Base.repo.backup
(2)下载新的CentOS-Base.repo 到/etc/yum.repos.d/
CentOS 6
curl -o /etc/yum.repos.d/CentOS-Base.repo http://mirrors.aliyun.com/repo/Centos-6.repo
CentOS 7
curl -o /etc/yum.repos.d/CentOS-Base.repo http://mirrors.aliyun.com/repo/Centos-7.repo
CentOS 8
curl -o /etc/yum.repos.d/CentOS-Base.repo http://mirrors.aliyun.com/repo/Centos-8.rep
(3)清除缓存，重新生成缓存
清除缓存
yum clean all
重新设置缓存
yum makecache