TESS系列实用工具培训
pytesstrain的Python项目详细描述
用于Tesseract OCR培训的Python工具
Tesseract OCR的培训工具。在
安装
使用pip安装：
pip install pytesstrain
这还将安装Python包pytesseract（用于运行Tesseract）
和editdistance（用于计算错误率）。在
入门
此软件包包含针对特定问题的工具：
text2image正在崩溃（issue #1781 @ Tesseract OCR）
如果文本行太长，text2image工具将崩溃。如上述问题所述， 将文本行改写为较小的长度是解决此问题的官方解决方法。 例如，要将行长度最多减少到35个字符，请运行
^{pr2}$从语料库文件创建词典数据
如果您没有培训语言的词典文件，您可能需要 从语料库文件创建一个。要为lang语言创建字典文件，请运行
create_dictdata -l lang -i corpus.txt -d ./langdata/lang
此工具创建以下文件：
- 在lang.training_文本（语料库文件副本）
- 在语言列表（字典）
- 在lang.word.bigrams语言（单词bigrams）
- 在lang.training_文本.bigram_frequencs（字符双字节频率）
- 在lang.training_文本.unigram_freques（字符频率）
文件lang.wordlist.freq通常由培训工具创建，例如tesstrain.sh，同样，
所以不需要用create_dictdata创建它。在
语言指标
工具language_metrics对创建的随机单词序列的图像运行Tesseract OCR
并根据结果计算median度量（当前为CER和WER）。
它使您能够评估.traineddata文件的质量。在
使用wordlist文件lang和{em1}$Courier和{em1}$Courier计算lang语言的度量$语言列表， 跑
language_metrics -l lang -w lang.wordlist --fonts Arial,Courier
创建unicharambigs文件
这个包中有两个工具，可以自动创建unicharambigs文件。在
第一个工具collect_ambiguities，将识别的文本与参考文本进行比较，并
提取最小可能的差异作为错误和更正对，并按排序存储
JSON文件中出现的频率。你可以自己看看这些模棱两可的地方
使用第二个工具将它们转换为unicharambigs文件。在
第二个工具json2unicharambigs，接受中间的JSON文件，并将模糊性放入其中
放入unicharambigs文件中。生成的文件具有v2格式。你可以限制歧义，
它进入unicharambigs文件，并带有附加的命令行开关。在
使用wordlist文件^{em1}为语言lang创建文件lang.unicharambigs$语言列表，
跑
collect_ambiguities -l lang -w lang.wordlist --fonts Arial,Courier -o ambigs.json json2unicharambigs --mode safe --mandatory_only ambigs.json lang.unicharambigs
创建基本真相文件
为了帮助训练Tesseract>；=4，工具create_ground_truth创建单线地面真相文件
从输入文件或来自包含.txt文件的目录（该工具递归地搜索后一个文件）。在
要从目录corpora中的目录corpora创建基本真相文件，请运行
create_ground_truth --fonts Arial,Courier corpora ground-truth
API参考
主要的工作是函数pytesstrain.train.run_test。还有一个平行版本，
pytesstrain.train.run_tests，它使用线程池在多个处理器上运行前一个函数
同时（使用线程而不是进程进行并行化是可能的，因为run_test
函数启动进程本身，因此是I/O绑定的）。在
子包tesseract只导入包pytesseract。子包text2image模仿
前一个，但是用于text2image工具而不是tesseract。在
子包metrics包含评估指标的实现，如CER和WER。子包utils有
经常使用的杂项函数和子包ambigs包含歧义处理函数。在
最后，子包cli包含控制台脚本。在
许可证
Pytesstrain在Apache License 2.0下释放。在
- 项目
标签：
欢迎加入QQ群-->： 979659372
