docker中基于centos7.3搭建tesseract5训练环境以及进行训练

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