Tesseract-OCR5.0字体训练以及提高准确率、提升训练效率的方法

发表于2021年11月20日2024年5月27日作者桔子菌

内容目录

1、准备工作
2、训练步骤
3、验证与测试
4、提高准确率
5、提升训练效率
6、避坑指南
扩展阅读：

原文链接：http://www.juzicode.com/image-ocr-tesseract-ocr5-train

Tesseract除了可以使用官方提供的语言包（traineddata文件），还可以自己训练模型，特别适用于某些官方语言包识别效果不佳的场景下。我们今天就以手写数字mnist数据集为例，来看下Tesseract-OCR5.0如何训练自己的模型，以及如何提高准确率、提升训练效率。

1、准备工作

安装tesseract5.0版本，可以参考这里：Tesseract-OCR5.0软件安装和语言包安装(Windows系统)。
安装python3（从mnist文件生成训练用的tif和box文件，以及编写自动训练、测试脚本）。

从github仓下载traineddata_best类型的traineddata文件，可以选择eng.traineddata，用来初次训练字体；下载地址：https://github.com/tesseract-ocr/tessdata_best，下载后保存在当前工作目录下，另外拷贝一份到系统变量“TESSDATA_PREFIX”路径下，也即tesseract安装路径的tessdata\\文件夹下。
mnist数据集文件，包含60000个训练图片和标签、10000个测试图片和标签；用来训练和测试；下载地址：http://yann.lecun.com/exdb/mnist/，下载的4个文件接下后保存在当前工作目录的mnist\\文件夹下。
在当前工作目录下新建一个out_mnist\\文件夹，用来存放所有输出的文件。

准备工作完成后当前工作目录下是这样的：

2、训练步骤

在讨论步骤前，先对一些配置作出约定：

输出文件都存放在out_mnist\\路径下；
中间文件的文件名一般使用LANG.FONT.EXPn.xxx的形式，其中设置LANG=arabnum，FONT=mnist，EXPn=exp0，这样tif文件名称为arabnum.mnist.exp0.tif，box文件为arabnum.mnist.exp0.box，以此类推。

2.1、生成训练用tif和box文件

首先生成训练用的tif图片，将60000个训练图片合成到一个tif文件里，直接从mnist训练图片文件中提取数据，合成tif图片，注意按照顺序提取，这样后面的标签文件也按照顺序提取，就可以做到一一对应。mnist文件的读取方法可以参考 mnist数据集的获取、访问、使用例子。

接着生成训练用的box文件，因为mnist数据集里面包含了标签数据，所以不需要自己使用工具来标注图片，这样描述图片的box文件就可以直接根据训练标签文件里的序号和标签值来生成。box文件里的一行数据由下列几个元素组成：

标签值  起始位置x坐标  起始作为y坐标  图片宽度   图片高度   在tif文件中的编号(从0开始编号)

mnist的图片是28×28像素的，所以可以设置图片宽度为28，图片高度为28，起始点的坐标x和y都设置为1。标签值是从训练标签文件中按照顺序提取的标签值，最后一列数据从0开始编号即可，最后编号到59999，box文件是这个样子的：

2.2、生成lstm文件

从当前工作目录下的训练用traineddata文件中抽取lstm文件，这里用当前目录下的eng.traineddata文件生成eng.lstm文件：

combine_tessdata  -e eng.traineddata  out_mnist\\eng.lstm

打印输出：

Extracting tessdata components from eng.traineddata
Wrote out_mnist\eng.lstm
Version string:4.00.00alpha:eng:synth20170629:[1,36,0,1Ct3,3,16Mp3,3Lfys64Lfx96Lrx96Lfx512O1c1]
17:lstm:size=11689099, offset=192
18:lstm-punc-dawg:size=4322, offset=11689291
19:lstm-word-dawg:size=3694794, offset=11693613
20:lstm-number-dawg:size=4738, offset=15388407
21:lstm-unicharset:size=6360, offset=15393145
22:lstm-recoder:size=1012, offset=15399505
23:version:size=80, offset=15400517

2.3、生成lstmf文件

这一步利用tif图片文件生成lstmf文件，如下命令会生成arabnum.mnist.exp0.lstmf文件，这个是典型tesseract命令：

tesseract out_mnist\arabnum.mnist.exp0.tif  out_mnist\arabnum.mnist.exp0  -l eng  --psm 13  lstm.train

out_mnist\arabnum.mnist.exp0.tif 输入图像
out_mnist\arabnum.mnist.exp0 输出的lstmf文件名称
-l eng 使用的字体，使用tesseract安装目录tessdata\\文件夹下的eng.traineddata
–psm 13 分割模式
lstm.train 配置文件，指明进行lstm训练，使用tesseract安装目录tessdata\\config文件夹下的配置文件

打印输出：

..........
Warning: Invalid resolution 1 dpi. Using 70 instead.
Loaded 6/6 lines (1-6) of document out_mnist\arabnum.mnist.exp0.lstmf
Page 8
Warning: Invalid resolution 1 dpi. Using 70 instead.
Loaded 7/7 lines (1-7) of document out_mnist\arabnum.mnist.exp0.lstmf
Page 9
Warning: Invalid resolution 1 dpi. Using 70 instead.
Loaded 8/8 lines (1-8) of document out_mnist\arabnum.mnist.exp0.lstmf
Page 10
Warning: Invalid resolution 1 dpi. Using 70 instead.
Loaded 9/9 lines (1-9) of document out_mnist\arabnum.mnist.exp0.lstmf
..........

mnist的60000个训练图片，该步骤会耗时4-5小时。

2.4、生成lstmf清单文件

手动新建一个arabnum.mnist.exp0.list.txt文本文件，输入上一步骤生成的lstmf文件的路径和文件名，可以使用相对路径，输入“out_mnist\arabnum.mnist.exp0.lstmf”，文件内容是这个样子的：

2.5、开始训练

使用lstmtraining命令开始训练，这一步生成mod_out_checkpoint文件：

lstmtraining  --debug_interval -5  --max_iterations 9000  --target_error_rate 0.01  --continue_from=out_mnist\eng.lstm  --model_output=out_mnist\mod_out  --train_listfile=out_mnist\arabnum.mnist.exp0.list.txt  --traineddata=eng.traineddata

–debug_interval -5 调试打印等级
–max_iterations 9000 最大迭代次数
–target_error_rate 0.01 期望错误率
–continue_from=out_mnist\eng.lstm 基于eng字体的lstm文件（步骤2.2）
–model_output=out_mnist\mod_out 输出checkpoint文件的名称
–train_listfile=out_mnist\arabnum.mnist.exp0.list.txt 训练清单文件名称（步骤2.3和2.4）
–traineddata=eng.traineddata 训练使用的字体，当前工作目录下

输出打印：

Loaded file out_mnist\eng.lstm, unpacking...
Warning: LSTMTrainer deserialized an LSTMRecognizer!
Continuing from out_mnist\eng.lstm
Loaded 10/10 lines (1-10) of document out_mnist\arabnum.mnist.exp0.lstmf
Iteration 0: GROUND  TRUTH : 2
Iteration 0: ALIGNED TRUTH : 22
Iteration 0: BEST OCR TEXT : ps
File out_mnist\arabnum.mnist.exp0.lstmf line 5 :
Mean rms=4.213%, delta=16.667%, train=300%(100%), skip ratio=0%
Iteration 1: GROUND  TRUTH : 5
Iteration 1: ALIGNED TRUTH : 55
Iteration 1: BEST OCR TEXT : by
File out_mnist\arabnum.mnist.exp0.lstmf line 0 :
Mean rms=4.146%, delta=16.667%, train=300%(100%), skip ratio=0%
..........
..........
Mean rms=0.015%, delta=0%, train=0%(0%), skip ratio=0%
Iteration 2299: GROUND  TRUTH : 4
File out_mnist\arabnum.mnist.exp0.lstmf line 9 (Perfect):
Mean rms=0.015%, delta=0%, train=0%(0%), skip ratio=0%
2 Percent improvement time=2, best error was 10.3 @ 60
At iteration 62/2300/2300, Mean rms=0.015000%, delta=0.000000%, char train=0.000000%, word train=0.000000%, skip ratio=0.000000%,  New best char error = 0.000000 wrote best model:out_mnist\mod_out_0.000000_62_2300.checkpoint wrote checkpoint.

Finished! Error rate = 0

2.6、生成traineddata文件

这一步生成mnist.traineddata文件：

lstmtraining  --stop_training  --traineddata=eng.traineddata  --continue_from=out_mnist\mod_out_checkpoint  --model_output=mnist.traineddata

–stop_training 停止训练
–traineddata=eng.traineddata 训练使用的字体，当前工作目录下
–continue_from=out_mnist\mod_out_checkpoint 中间文件名称（步骤2.5）
–model_output=mnist.traineddata 生成字体文件的traineddata文件名称

输出打印：

Loaded file out_mnist\mod_out_checkpoint, unpacking...

2.7、安装字体

最后将生成的mnist.traineddata文件拷贝到tesseract安装目录的tessdata\\路径下，即完成字体的安装。

3、验证与测试

接下来就是利用tesseract命令行或者pytesseract对测试集的图片进行识别，然后和测试集标签比对识别是否正确并统计其准确率，可以用python实现自动测试和比对，核心代码如下：

    right_count=0
    with open(test_image_file,'rb') as pf_image, open(test_label_file,'rb') as pf_label:
        for __ind in range(sample_count): 
            ind = __ind + offset
            img = mnist.read_image_p(pf_image, image_head_len, ind)
            label= mnist.read_label_p(pf_label, label_head_len, ind)
            text = ts.image_to_string(img,lang,config=config).strip('\x0c').strip('\n')
            logger.info('ind:%d, label:%d, text:%s',ind,label,str(bytes(text,encoding='utf8')))
            if text == str(label):
                right_count += 1

打开test_image_file表示的测试图片文件和test_label_file表示的测试标签文件，每次读出1张图片和1个标签，读出的图片传入到pytesseract的image_to_string()进行识别，然后将结果和读出的标签数据进行比对，如果结果一样就将right_count的数值加1，最后统计出准确率。

因为tesseract有13种分割模式，为了减少测试时间，这里先用小样本数据1000个图片对不同的分割模式进行了实验：

('--psm 0', 'exception')
('--psm 1', '0', '0.0')
('--psm 2', 'exception')
('--psm 3', '0', '0.0')
('--psm 4', '2', '0.002')
('--psm 5', '107', '0.107')
('--psm 6', '879', '0.879')
('--psm 7', '890', '0.89')
('--psm 8', '927', '0.927')
('--psm 9', '912', '0.912')
('--psm 10', '890', '0.89')
('--psm 11', '3', '0.003')
('--psm 12', '2', '0.002')
('--psm 13', '932', '0.932')

其中psm=0和2时发生异常识别错误，psm=1,3,4,5,11,12的准确率或者为0，或者只有0.1，惨不忍睹，psm=6,7,10正确率不到0.9，psm=8,9,13时的准确率稍高在0.91-0.93。

接下来在3种准确率较高的psm=8,9,13分割模式下，用所有的10000个图片进行测试：

config=--psm 13 right_count=9445 right_ratio=0.944500
config=--psm 9 right_count=9261 right_ratio=0.926100
config=--psm 8 right_count=9422 right_ratio=0.942200

最高的模式仍然是psm=13时，正确率为0.9445，这个准确率还有很大的提升空间的。

4、提高准确率

从前面的训练步骤可以看到，开始训练时需要用到一个已经存在的字体eng.traineddata，比如第2.2步抽取它的lstm文件、第2.5步的训练等。既然这个原始字体训练出来的新字体识别的准确率不高，很可能跟选择的这个初始字体有关，那是不是可以用我们训练好的新字体替代eng.traineddata再训练一次呢，这样产生的第2代的新字体是不是可以有更好地表现？如此迭代多次之后，得到第3代、第4代、第5代字体呢？

回到步骤2.1步~步骤2.7，将eng.traineddata相关的内容替换为mnist.traineddata，新生成的第2代字体取名为mnist2nd，依次替代命令行里面的参数训练第2代字体，类似的方法再训练出第3、第4、第5代字体，将每一代字体都用测试集进行测试，得到了下面的测试结果：

mnist1st 13 9445 0.944500
mnist1st 8 9422 0.942200
mnist1st 9 9261 0.926100
mnist2nd 13 9707 0.970700
mnist2nd 8 9685 0.968500
mnist2nd 9 9493 0.949300
mnist3rd 13 9733 0.973300
mnist3rd 8 9710 0.971000
mnist3rd 9 9527 0.952700
mnist4th 13 9682 0.968200
mnist4th 8 9659 0.965900
mnist4th 9 9471 0.947100
mnist5th 13 9743 0.974300
mnist5th 8 9720 0.972000
mnist5th 9 9494 0.949400

画出来的曲线图是这样的：

从这里可以看到，第2代字体较第1代有明显提升，绿色代表的psm=13，提升了近3个百分点，达到0.973300，再往后第3代稍有提升，第4代反而下降了一点点，到了第5代又升到0.9743。

桔子菌用单步方式没有再往后测试了，因为训练到第5代字体断断续续用了快2天的时间，接下来有必要提升下训练的效率了。

5、提升训练效率

要提升训练的效率先要找到最耗时的步骤：其中步骤2.3提取lstmf文件耗时最长，桔子菌的电脑耗时4-5小时，其他的步骤都比较少，多的才10分钟左右。找到了阻塞点，接下来就是如何提高效率。在步骤2.3中可以将样本进行拆分，比如将60000个样本分成10组，每组6000条数据丢到一个线程里去提取lstmf文件，理论上会降低到原来的1/10右。经过实际测试，拆分lstmf文件后，单代字体的训练在步骤2.3上只用了15-20分钟左右，最后训练出20代字体耗时9小时左右。

测试环节为了对比每代的准确率，需要将每一代生成的字体对所有样本进行测试，所以可以通过拆分样本和拆分字体的方法，丢到多个线程里去执行。桔子菌用psm13的方式测试完20代字体耗时6小时左右，最后得到的准确率是这样的：

lang=mnist0–config=–psm13–right_count=9521–right_ratio=0.952100
lang=mnist1–config=–psm13–right_count=9471–right_ratio=0.947100
lang=mnist2–config=–psm13–right_count=9779–right_ratio=0.977900
lang=mnist3–config=–psm13–right_count=9762–right_ratio=0.976200
lang=mnist4–config=–psm13–right_count=9797–right_ratio=0.979700
lang=mnist5–config=–psm13–right_count=9755–right_ratio=0.975500
lang=mnist6–config=–psm13–right_count=9836–right_ratio=0.983600
lang=mnist7–config=–psm13–right_count=9843–right_ratio=0.984300
lang=mnist8–config=–psm13–right_count=9817–right_ratio=0.981700
lang=mnist9–config=–psm13–right_count=9845–right_ratio=0.984500
lang=mnist10–config=–psm13–right_count=9836–right_ratio=0.983600
lang=mnist11–config=–psm13–right_count=9832–right_ratio=0.983200
lang=mnist12–config=–psm13–right_count=9778–right_ratio=0.977800
lang=mnist13–config=–psm13–right_count=9832–right_ratio=0.983200
lang=mnist14–config=–psm13–right_count=9862–right_ratio=0.986200
lang=mnist15–config=–psm13–right_count=9831–right_ratio=0.983100
lang=mnist16–config=–psm13–right_count=9848–right_ratio=0.984800
lang=mnist17–config=–psm13–right_count=9842–right_ratio=0.984200
lang=mnist18–config=–psm13–right_count=9859–right_ratio=0.985900
lang=mnist19–config=–psm13–right_count=9882–right_ratio=0.988200

从最终的测试结果看，第3-6代较第1-2代提升了3个百分点，这点和前面单步训练看到的效果差不多，到了第7代(mnist6)之后提升效果非常缓慢了，最好的情况是在pms=13、第20代字体时，准确确率为0.988200。

如果你想试试更多的迭代次数，获取更好的训练效果，桔子菌已经将数据集、训练脚本、测试脚本都打包好了，关注公众号“桔子code”后台回复“tesseract”获取。

6、避坑指南

1、注意Tesseract 4.0和5.0版本的训练方式和3.0相差甚远，3.0方式的训练不再适用4.0和5.0的LSTM训练。

2、生成tif文件时用训练集的单张图片作为tif图片的一页即可，这样box文件也更简单。

3、步骤2.2生成eng.lstm文件时，选用的初始traineddata文件必须是从traindata_best中下载的文件，否则会报错out_mnist\eng.lstm is an integer (fast) model, cannot continue training：

Loaded file out_mnist\eng.lstm, unpacking...
Warning: LSTMTrainer deserialized an LSTMRecognizer!
Error, out_mnist\eng.lstm is an integer (fast) model, cannot continue training
Failed to continue from: out_mnist\eng.lstm

4、步骤2.4生成文件清单arabnum.mnist.exp0.list.txt时，如果文件内容像下面这样有多余的换行符\r(CR)：

在步骤2.5则会报错Load of page 0 failed：

Loaded file out_mnist\eng.lstm, unpacking...
Warning: LSTMTrainer deserialized an LSTMRecognizer!
Continuing from out_mnist\eng.lstm
Deserialize header failed: out_mnist\arabnum.mnist.exp0.lstmf
Load of page 0 failed!
Load of images failed!!

最简单的解决办法是去掉2个换行符\r\n(CR LF)。

当使用多个lstmf文件训练时，每个文件名之间必须要保留一个换行符，则必须去掉\r(CR)符号，只保留\n(LF)，如下图所示：

扩展阅读：