---
title: Optical Character Recognition(tesseract)
tags: Tesseract
description: Explam tesseract training process
---

# Optical Character Recognition
Using Tesseract tool to train ocr
github source [https://github.com/tesseract-ocr/tesseract](https://github.com/tesseract-ocr/tesseract)

# Tesseract datasets preprcessing

1. 將圖片轉成 .tif 檔
2. 下載 jTessBoxEditor 工具，連結 [https://sourceforge.net/projects/vietocr/](https://sourceforge.net/projects/vietocr/)
3. 使用 jTessBoxEditor 將圖片合併成一個 .tif 檔
4. 生成合併後.tif的.box 檔
5. 使用 jTessBoxEditor 工具調整 box 位置
6. 生成 .lstmf 檔案
7. 從已經 train 好的 model 提取 .lstm 檔案 (training 使用 fine tuning)
8. 開始訓練
9. 合併模型

---
## 1. 將圖片轉成 .tif 檔

import glob
from PIL import Image

for i in glob.glob(r'*.png'):
    im = Image.open(i,"r")
    print(i.split(".")[0])
    im.save("{}_new.tif".format(i.split(".")[0]),quality=95)


---

## 2. 下載 jTessBoxEditor 工具

---

## 3. 使用 jTessBoxEditor 將圖片合併成一個 .tif 檔

點擊 train.bat 檔案打開 jTessBoxEditor

點擊 tool 然後選擇 Merge

選擇要合併的圖片檔案，點擊開啟

在 save 命名規則為 [lang].[fontname].exp[num].tif
-- lang: 語言
-- fontname: 字型
-- num: 序號


---

## 4. 生成合併後 .tif 的 .box 檔

生成 eng.font.exp0.box 檔案，裡面儲存文字 position 的內容

$ tesseract eng.font.exp0.tif eng.font.exp0 batch.nochop makebox


---

## 5. 使用 jTessBoxEditor 工具調整 box 位置

依序選擇 Box Eiditor -> Open -> eng.font.exp0.tiff 檔案
開啟後依序校正文字框 position (注意還有下一頁)

---

## 6. 生成 .lstmf 檔案

生成訓練所需 .lstmf 檔案

$ tesseract eng.font.exp0.tif eng.font.exp0 -l eng --psm 6 lstm.train


---

## 7. 從已經 train 好的 model 提取 .lstm 檔案 (training 使用 fine tuning)
下載已經 train 好的 model，此處使用eng.traineddata，連結為[https://github.com/tesseract-ocr/tessdata_best](https://github.com/tesseract-ocr/tessdata_best)

$ combine_tessdata -e eng.traineddata eng.lstm

---

## 8. 開始訓練

$ lstmtraining \
    --model_output='/home/datasets/ocr'  \
    --continue_from='/home/datasets/eng.lstm' \
    --train_listfile='/home/datasets/eng.training_files.txt' \
    --traineddata='/home/datasets/eng.traineddata' \
    --debug_interval -1  \
    --max_iterations 4000"

--model_output 命名輸出 model 名稱
--continue_from train 好的 model 轉出來的.lstm檔案
--train_listfile 裡面寫 eng.font.exp0.lstmf 的路徑
--traineddata train 好的 model
--max_iterations 疊代次數

---

## 9. 合併模型

train 會得到很多 chechpoint 檔案，tocr_checkpoint 為最後一次輸出模型，使用這個模型與 eng.traineddata 合併為新模型

$ lstmtraining \
    --stop_training \
    --continue_from='/home/datasets/ocr_checkpoint' \
    --traineddata='/home/datasets/eng.traineddata' \
    --model_output='/home/datasets/ocr.traineddata

--continue_from checkpoint model 名稱
--traineddata eng.trainedata 模型
--model_output 輸出模型名稱

---

## Thank you! :dash:

You can find me on
- GitHub: https://github.com/shaung08
- Email: [e-mail]