Tesseract Ocr引擎立方体模式-训练Tesseract

Question

你能解释一下Tesseract ocr引擎上的立方体模式和立方体数据文件是什么吗?使用它们的优势是什么?

我怎样训练tesseract来学希腊语才能有更好的结果呢?

Answer 1

对于那些可能仍然感兴趣的人。在Tesseract的网站上，有不同文件的标准训练数据集。

https://code.google.com/p/tesseract-ocr/downloads/list?num=100&开始= 100

这里描述了培训程序(版本3.01)

https://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3

在Cube的例子中，有另一个引擎与Tesseract相比较。它消耗更多的资源，速度更慢，但效果更好。

数据文件-一组文件，这些文件最终会导致(合并到)一个训练过的数据文件

Answer 2

在tesseract-ocr- extraocs项目wiki上有关于Cube引擎模式所需的各种培训文件的解释:

https://code.google.com/p/tesseract-ocr-extradocs/wiki/Cube

在那里您可以找到关于如何在Cube模式下创建训练所需文件的详细(但不完整)信息。还有一些关于神经网络文件格式的信息可能会有用:

https://code.google.com/p/tesseract-ocr-extradocs/wiki/nnFileFormat

使用神经网络而不是自适应分类器，立方体模式通常会给你更好的识别结果。

我从来没有自己创建过Cube训练文件，所以我不能给你关于如何创建这些文件的更详细的信息

Answer 3

For Tesseract 4+ (with LSTM)

我不完全确定立方体模式，但是使用--oem 1，您可以启用新的LSTM引擎并利用以下解决方案:

• 使用现有模型

  我建议使用Tesseract GitHub repo上提供的预训练模型。他们有各种各样的语言(看起来希腊文也支持!)

• 自己训练

  我自己没有试过，但是GitHub上的相关Wiki看起来很可靠。

tl-dr

• git clone [e-mail]:tesseract-ocr/tessdata.git
• 选择需要的语言文件
• 将其移动到项目的tessdata目录

Answer 4

据我所知，PaddleOCR似乎是训练OCR模型的更好工具箱。当然，它提供的训练模型在大多数场景下都表现良好。你可以试试。:)

快速入门:https://github.com/PaddlePaddle/PaddleOCR/blob/dygraph/doc/doc_en/quickstart_en.md

如何训练文本检测模型:https://github.com/PaddlePaddle/PaddleOCR/blob/dygraph/doc/doc_en/detection_en.md

如何训练文本识别模型:https://github.com/PaddlePaddle/PaddleOCR/blob/dygraph/doc/doc_en/recognition_en.md