Tesseract无法调用自定义语言traineddata文件，输出为空求助

问题背景 #

我按照QT-Box编辑器教程训练了《英雄联盟》Beaufort字体的自定义Tesseract语言包testlan，testlan.traineddata已放置在正确目录C:\Program Files\Tesseract-OCR\tessdata，运行命令或Python脚本时无报错，但输出始终为空。

使用的测试命令：

tesseract testlan.beaufortforlol.exp0.png output.txt -l testlan

测试Python脚本：

import pytesseract
from PIL import Image
img_file = "OCRdata/no_noise.jpg"
img = Image.open(img_file)
ocr_result = pytesseract.image_to_string(img, lang='testlan')
print(ocr_result)

排查与解决步骤 #

1. 验证样本与测试图像匹配度 #

• 对比训练样本testlan.beaufortforlol.exp0.png和测试图像no_noise.jpg的字体样式、字号、颜色对比度。若测试图像的字体特征（如加粗、倾斜、字号差异过大）与训练样本偏差明显，Tesseract将无法匹配。
• 直接用训练样本图像作为输入测试，若仍无法识别，说明训练过程存在问题。

2. 检查训练环节准确性 #

• 确认QT-Box生成的.box文件标注无误：每个字符的边界框需完全覆盖对应字符，无重叠或遗漏，错误标注会导致模型识别失效。
• 检查testlan.traineddata文件完整性：训练过程无报错，文件大小需在几十KB以上，过小则说明训练未正常完成。

3. 调整Tesseract识别参数 #

• 添加--psm（页面分割模式）参数，强制按单行或单字符识别：

  # 单行识别模式
  tesseract testlan.beaufortforlol.exp0.png output.txt -l testlan --psm 7
  # 单字符识别模式
  tesseract testlan.beaufortforlol.exp0.png output.txt -l testlan --psm 10
  

• Python脚本中同步调整参数：

  ocr_result = pytesseract.image_to_string(img, lang='testlan', config='--psm 7')
  

4. 优化图像预处理 #

Tesseract对黑白二值化图像识别效果最佳，若测试图像为彩色/灰度图，需先预处理：

import pytesseract
from PIL import Image, ImageOps

img_file = "OCRdata/no_noise.jpg"
img = Image.open(img_file).convert('L')  # 转灰度图
img = ImageOps.invert(img)  # 反转颜色（适配黑字白底场景）
img = img.point(lambda x: 0 if x < 128 else 255, '1')  # 二值化处理

ocr_result = pytesseract.image_to_string(img, lang='testlan', config='--psm 7')
print(ocr_result)

5. 确认语言包加载正常 #

运行以下命令，确认testlan出现在语言列表中：

tesseract --list-langs

内容的提问来源于stack exchange，提问作者OJ Hateman