asysbang

标题: tesseract4.0训练 [打印本页]

作者: admin 时间: 2019-9-3 14:03
标题: tesseract4.0训练
#需求
原文地址
https://github.com/tesseract-ocr ... iningTesseract-4.00
参考地址：https://blog.csdn.net/panbiao1999/article/details/74638749

```
介绍：
tesseract4.0集成了基于神经网络的识别引擎，比之前的版本准确率有显著的提高，
对于复杂语言的训练比传统tesseract更快
神经网络训练需要更多的数据而且训练速度也要慢很多，
针对拉丁系语言，已有的数据模型已经训练了大约40万文本行，大约4500种字体，
其他语种没有这么多字体，但也经过了大量文本行的训练。
相比与传统的训练需要几分钟到几小时，tesseract4.0的训练需要几天到几周的时间。
即使4.0版本已经有了大量的训练，但是为了解决特定的问题，还是需要重新训练。
```
```
训练的几种方法：
1.微调：在已经训练好的语言包的基础上，额外训练自己添加的数据。
            这种方式适合和原有语言包比较接近的，一些比较不常用的字体就不行了
2.替换top layer(或者任意多层layer)：用新的数据重新训练top layer(或者任意多层)
            当微调不能解决问题时，这种方法是最好的选择。
            重新训练top layer 很可能对整个训练不会有太大的影响，保证真个训练的完整性
3.从头开始训练：这是个令人望而生畏的任务，除非你非常有信心，同时有充足的训练集
            否则的话，你只能得到一个过拟合的神经网络（训练很大，但处理实际数据很差）

上面几种听起来不同，但实际的训练步骤是完全一致的。
除了命令行执行的命令之外，非常容易同时进行上面几种训练
PS：旧的识别引擎还保留，但在将来版本会删除
````
```
训练准备：
了解神经网络对了训练参数的理解有帮助，对于tesseract4.0的训练可以不需要任何神经网络的背景知识
开始训练之前推荐阅读
1.https://github.com/tesseract-ocr ... NetsInTesseract4.00
2.https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality (强烈建议阅读)
```

```
需要安装的lib
sudo apt-get install libicu-dev
sudo apt-get install libpango1.0-dev
sudo apt-get install libcairo2-dev
```

```
系统要求，推荐是linux（mac也许可以，window不确定）
4核CPU最好，足够的内存，不支持GPU
```
#分析

#过程

欢迎光临 asysbang (http://www.asysbang.com/)