一、創(chuàng)建培訓(xùn)數(shù)據(jù)

training/tesstrain.sh?

--fontlist 'font1' 'font2'?＃要訓(xùn)練的字體名稱列表。

--fonts_dir /path/to/fonts? ?＃字體文件的路徑。

--lang LANG_CODE?

--linedata_only??＃僅為訓(xùn)練生成訓(xùn)練數(shù)據(jù)。

--noextract_font_properties?

--langdata_dir /path/to/langdata?＃ / langdata目錄的路徑。

?--tessdata_dir /path/to/tessdata??#指定現(xiàn)有的受訓(xùn)數(shù)據(jù)文件的位置，如果沒(méi)有指定會(huì)從TESSDATA_PREFIX定義的路徑中查找）

--output_dir ~/path/to/output?＃輸出的訓(xùn)練數(shù)據(jù)文件的位置。

--wordlist? /path/to/wordlist file＃排序的語(yǔ)言的單詞列表?

--training_text /path/to/text file?＃要用于訓(xùn)練的文本。（如果 沒(méi)有指定wordlist和trainingtext，tesseract會(huì)從langdata里查找）

還有一些其他的參數(shù)可以在這里看到。

1.字體

在使用tesstrain.sh創(chuàng)建訓(xùn)練數(shù)據(jù)的時(shí)候，必須先安裝所需字體！！

所需要的字體可以在字體 tesseract/training/language-specific.sh?文件中看到，比如想知道訓(xùn)練中文字典的時(shí)候需要哪些字體，在這個(gè)文件中找到以下的代碼（296行）：

CHI_SIM_FONTS=( \

"AR PL UKai CN"\

"AR PL UMing Patched Light"\

"Arial Unicode MS"\

"Arial Unicode MS Bold"\

"WenQuanYi Zen Hei Medium"\

)

上面列出來(lái)的字體就是你系統(tǒng)中必須有的字體，不然在創(chuàng)建訓(xùn)練數(shù)據(jù)的時(shí)候會(huì)報(bào)無(wú)法加載字體的錯(cuò)誤。

想要知道自己的系統(tǒng)里已有的字體可以使用text2image --fonts_dir /usr/share/fonts --list_available_fonts命令來(lái)查看。

上面的字體列表你可以刪除其中的任一字體，也可以往里添加你想要的字體，如果添加了一種字體，比如SIMSUN（簡(jiǎn)體宋），還需要在langdata/font_properties文件中添加一行數(shù)據(jù)：SIMSUN 0 0 0 0 0（如果langdata/font_properties文件中沒(méi)有關(guān)于SIMSUN的配置的話）

2.langdata文件

tesstrain.sh在培訓(xùn)過(guò)程中會(huì)使用到某些文件，比如 [lang] .training_text （要訓(xùn)練的文本，也可以通過(guò)--training_text /路徑/文件.txt指定）、[lang].wordlist等等都在langdata文件夾里，下載地址：https://github.com/tesseract-ocr/langdata

每個(gè)文件具體的意義可以在這里查看。

（其實(shí)我并不知道這個(gè)文件夾下的那些文件到底是不是必須的，官網(wǎng)上只說(shuō)必須有[lang].training_text這個(gè)文件，其他文件有沒(méi)有不知道會(huì)不會(huì)有什么影響阿。。還有就是如果我自己指定了一個(gè)--training_text，那是不是連[lang].training_text都可以不要了。。）

3.訓(xùn)練文本太大

在training/tesstrain_utils.sh文件中，代碼215行：common_args+=" --outputbase=${outbase} --max_pages=3"

--max_pages=3 限制了在創(chuàng)建訓(xùn)練數(shù)據(jù)的時(shí)候最多只能生成3頁(yè)的文檔圖像，如果訓(xùn)練文本很大，超過(guò)3頁(yè)的內(nèi)容就會(huì)沒(méi)了，可以自己修改這個(gè)值，例如修改為--max_pages=100。

（似乎有一個(gè)設(shè)置圖像大小的參數(shù)，暫時(shí)想不起來(lái)了）

還有一次在訓(xùn)練的時(shí)候，成功的生成訓(xùn)練數(shù)據(jù)后開(kāi)始訓(xùn)練的時(shí)候報(bào)了一個(gè)圖片尺寸太大什么的錯(cuò)誤，記不得了。。原因是訓(xùn)練的文本每行的文字太多，行寬太長(zhǎng)，截成幾行就好了。。

4.字典

在創(chuàng)建訓(xùn)練數(shù)據(jù)的時(shí)候，如果還沒(méi)有從官網(wǎng)上下載任何字典，那么會(huì)報(bào)一個(gè)

Failed loading language 'eng'

Tesseract couldn't load any languages!

Could not initialize tesseract.

的錯(cuò)誤（雖然我訓(xùn)練的是中文）。。似乎是eng.traineddata這個(gè)字典是默認(rèn)需要加載的。。反正下一個(gè)就好了。。

還有一個(gè) Failed loading language 'chi_sim_vert'

這。。。我看了一下。。。langdata/chi_sim/chi_sim.config這個(gè)文件打開(kāi)，第一句：tessedit_load_sublangs chi_sim_vert

如果把這一句注釋掉了，就沒(méi)問(wèn)題了。。或者你再下一個(gè)chi_sim_vert.traineddata。。

所以問(wèn)題又來(lái)了。。為什么要加載這個(gè)字典。。

5.亂七八糟的提示

在創(chuàng)建訓(xùn)練文本的時(shí)候還會(huì)有很多不是很明白的提示，雖然看上去好像不影響（因?yàn)椴](méi)有因?yàn)檫@些提示而停止創(chuàng)建），但心里很方。。

比如：

Fontconfig error: line 1: no element found

Fontconfig error: Cannot load default config file

這個(gè)好像是最近剛跑出來(lái)的（之前沒(méi)注意過(guò)。。），不知道是為什么。。

還有：

Setting unichar properties

Other case a of A is not in unicharset

Other case t of T is not in unicharset?

........

Setting script properties

Warning: properties incomplete for index 727 = ＋

Warning: properties incomplete for index 808 = ＝

Warning: properties incomplete for index 956 = ，

Config file is optional, continuing...

Null char=2

之類的。。似乎沒(méi)有什么影響。。

好了，創(chuàng)建數(shù)據(jù)這個(gè)步驟就到這里，進(jìn)行下一步。

二、Training From Scratch

開(kāi)心，可以開(kāi)始訓(xùn)練了！！

先是按照官網(wǎng)上的教程訓(xùn)練了英文，過(guò)程和結(jié)果與官網(wǎng)的差不多，然后就想試著去訓(xùn)練中文。

結(jié)果?。。。≈形牡挠?xùn)練效果極差?。。?！同樣的訓(xùn)練數(shù)據(jù)比官方的中文字典差的不知道哪里去了！??！

命令：

mkdir -p ~/tesstutorial/chisimoutput

training/lstmtraining --debug_interval 100 \?

（使用這個(gè)參數(shù)要先構(gòu)建ScrollView.jar工具）

--traineddata ~/tesstutorial/chisimtrain/chi_sim/chi_sim.traineddata \

--net_spec '[1,48,0,1Ct3,3,16Mp3,3Lfys64Lfx96Lrx96Lfx512O1c1]' \

--model_output ~/tesstutorial/chisimoutput/base --learning_rate 20e-4 \

--train_listfile ~/tesstutorial/chisimtrain/chi_sim.training_files.txt \

--eval_listfile ~/tesstutorial/chisimeval/chi_sim.training_files.txt \

--max_iterations 5000 &>~/tesstutorial/chisimoutput/basetrain.log

迭代5000次后發(fā)現(xiàn)，非常的差！??！無(wú)敵的差！?。?/p>

因?yàn)橹形牡挠?xùn)練樣本字符比較多，我想可能是訓(xùn)練的次數(shù)太少所以效果才太差，

所以我就把 --max_iterations 改成了--target_error_rate 0.01讓它繼續(xù)訓(xùn)練

然后在迭代了13萬(wàn)次之后，效果依舊非常的差。。而且花費(fèi)的時(shí)間非常的多。。所以我放棄了。。放棄了。。棄了。。了。。

然后在tesseract群里面看見(jiàn) 有人說(shuō)訓(xùn)練了250W次效果都比官方的差很多，所以不要糾結(jié)的去開(kāi)啟新的篇章吧。

三、Fine Tuning

Fine tuning 訓(xùn)練就是從現(xiàn)有的訓(xùn)練語(yǔ)言開(kāi)始，訓(xùn)練特定的附加數(shù)據(jù)。