tesseract_jpn-vert

Für dieses Repository braucht man folgende Libraries und Software...

Python Libraries

• Pillow
• Pyocr
• OpenCV
• Urllib (Nur für die Erstellung der Schriftzeichentabelle)

Software

• Tesseract (>=4)
• tessdata - jpn_vert

Anwendung von ocr_tess.py

$ python ocr_tess.py [input file name] [output file name] [-l jpn_vert2 (Default-Wert jpn_vert)]

Ordner

• Der Ordner "images" enthält original Bilder
• Der Ordner "results" enthält Ergebnisse des OCR-Verfahrens (Bilder und Texte)
• Der Ordner "traindata" enthält die Daten, mit denen man tesseract trainiert hat
• Der Ordner "trained_jpn-vert" enthält das trainierte Modell
• Der Ordner "Vorarbeiten" enthält Python-Codes, mit denen man die Vor-Prozess der OCR ausführt

Training mit Tesstrain

Für das Training wurde tesstrain verwendet. So wie in README von tesstrain steht, wurde zuerst "tesseract built with the training tools and matching leptonica bindings" installiert. Tesstrain braucht noch folgende Python Libraries:

• Pillow>=6.2.1
• python-bidi>=0.4
• matplotlib
• pandas

Das Repo tesstrain clonen:

$ git clone https://github.com/tesseract-ocr/tesstrain.git

...und nach der Erläuterung von tesstrain packt man die div. Daten unter dem tesstrain-Ordner:

• Start-Modell, das fine getunt werden soll, unter ./usr/share/tessdata/
• Ground-Truth-Daten (Texte und Image) unter ./data/[Name des Modells]-ground-truth

Dann unter dem Ordner tesstrain den Befehl eingeben:

$ nohup time -f "Run time = %E\n" make training MODEL_NAME=jpn_vert START_MODEL=jpn_vert PSM=5 >> train.log 2>&1 &

PSM=5 ist für jpn_vert notwendig...

Um die log-Daten zu checken

$ tail -f train.log