如何针对特定文档训练Tesseract 5 OCR？需额外工具吗？

一、可行性说明 #

完全可行。针对特定文档训练本质是基于现有模型（你已训练的字体模型或官方预训练模型），用目标文档的标注样本做微调，让模型适配这类文档的版式、字符样式、排版规律，核心工具还是你已经在用的tesstrain，无需额外复杂工具。

二、准备工作 #

• 已部署的Tesseract 5及tesstrain（你已具备）
• 目标文档样本：准备20-50张清晰的目标文档图片（扫描或高清拍照，尽量覆盖不同页码、排版变体）
• 标注工具：可选LabelImg（可视化标注）或直接用Tesseract自带的makebox生成标注后手动修正

三、分步操作 #

1. 生成并修正标注文件 #

对每张目标文档图片生成初始.box标注文件（包含字符坐标和识别文本）：

tesseract input_image.png input_base --psm 6 makebox

• --psm 6：适用于单块连续文本的文档，若目标文档是多列排版，可改用--psm 4
• 打开生成的input_base.box文件，手动修正识别错误的字符、偏移的坐标，确保每个字符的位置和内容匹配图片

2. 整理训练数据集结构 #

按照tesstrain的目录规范整理样本：

tesstrain/
├── data/
│   ├── custom_doc.training/
│   │   ├── ground_truth/
│   │   │   ├── img1.box
│   │   │   ├── img1.png
│   │   │   ├── img2.box
│   │   │   ├── img2.png
│   │   │   └── ...

3. 执行微调训练 #

基于你之前训练好的字体模型（或官方预训练模型如eng.traineddata）启动训练：

cd tesstrain
make training MODEL_NAME=custom_doc START_MODEL=your_trained_font_model \
  TESSDATA_DIR=/usr/share/tesseract-ocr/5/tessdata \
  MAX_ITERATIONS=1500

• START_MODEL：填写你已训练完成的字体模型名称（需放在tessdata目录下），无自定义字体模型时可填官方模型名（如eng）
• MAX_ITERATIONS：根据样本量调整，20-50张样本用1000-2000次迭代足够

4. 导出并测试最终模型 #

训练结束后，将 checkpoint 导出为可直接使用的.traineddata模型：

lstmtraining --stop_training \
  --continue_from tesstrain/data/custom_doc.training/checkpoints/custom_doc_checkpoint \
  --traineddata tesstrain/data/custom_doc/custom_doc.traineddata \
  --model_output custom_doc_final.traineddata

将生成的custom_doc_final.traineddata复制到系统tessdata目录，测试效果：

tesseract test_doc.png output --oem 3 --psm 6 -l custom_doc

四、可选辅助工具 #

• 标注效率提升：Ubuntu下可通过sudo apt install labelimg安装可视化标注工具，标注文本区域后转换为.box格式，减少手动修正量
• 样本增强：若样本数量不足，用imagemagick做简单增强（旋转、缩放、加噪）：

convert input.png -rotate 3 rotated.png
convert input.png -resize 110% scaled.png

内容的提问来源于stack exchange，提问作者Umar Syal