Optical Character Recognition

Using Tesseract tool to train ocr
github source 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/
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

Image Not Showing Possible Reasons

• The image file may be corrupted
• The server hosting the image is unavailable
• The image path is incorrect
• The image format is not supported

Learn More →

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

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

$ 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!

Image Not Showing Possible Reasons

• The image file may be corrupted
• The server hosting the image is unavailable
• The image path is incorrect
• The image format is not supported

Learn More →

You can find me on

• GitHub: https://github.com/shaung08
• Email: a2369875@gmail.com