Tesseract自定义模型训练报错：无法找到.lstm-unicharset文件

一、检查数据集文件规范 #

• 确认tesstrain/data/codec下的标注文件后缀为.gt.txt（而非仅.gt），且文件名对应匹配图片（如sample.png对应sample.gt.txt），文件内容为图片中的纯文本，无多余空格、换行或特殊字符。
• 确保数据集路径无中文、空格或特殊符号，避免路径解析异常。

二、验证langdata目录完整性 #

• 确保与tesstrain同级的langdata目录包含完整的eng子目录，其中需有eng.lstm-unicharset、eng.training_text等官方langdata仓库的原生文件——训练时依赖这些文件生成目标模型的字符集，缺失会导致.lstm-unicharset创建失败。

三、调整训练命令参数 #

• 将命令中的TESSDATA与TESSDATA_PREFIX指向tessdata_best目录（而非tesseract/tessdata），因为tessdata_best包含LSTM训练所需的完整模型文件，而tesseract/tessdata下的eng.traineddata多为简化版：

  TESSDATA_PREFIX=../tessdata_best make training MODEL_NAME=codec START_MODEL=eng TESSDATA=../tessdata_best MAX_ITERATIONS=1000
  

• 确认指定目录下存在eng.traineddata文件，保证起始模型可正常加载。

四、排查权限与依赖 #

• 检查当前用户对tesstrain/output目录（训练生成文件的默认路径）有读写权限，避免因权限不足无法创建文件。
• 验证tesstrain依赖完整（如Python3、leptonica、libtesseract-dev等），可执行make help确认环境正常。

五、手动生成unicharset（兜底方案） #

若自动生成失败，可手动生成后再执行训练：

1. 进入tesstrain目录，执行：

   unicharset_extractor --output_unicharset codec.lstm-unicharset data/codec/*.gt.txt
   

2. 将生成的codec.lstm-unicharset移动到tesstrain/data/codec目录，重新运行训练命令。

内容的提问来源于stack exchange，提问作者Prachi Kedar