如何获取或训练适配特定字体的Tesseract 5（Python）模型？

Tesseract官方没有单独发布过Calibri字体的专属训练模型，默认自带的英文最佳训练集本身已经覆盖了Calibri这类主流西文印刷字体，识别准确率不达预期大概率是配置或者预处理的问题，先排查以下几点再考虑训练自定义模型：

• 确认你使用的是best版本的eng.traineddata，而非为运行速度优化的fast精简版本，fast版本裁剪了大量特征参数，对清晰度一般的文字识别精度下降非常明显
• 检查输入图片质量：图片分辨率至少要达到300DPI，单字符高度不低于30像素，识别前先做倾斜校正、灰度二值化去背景噪点，不要直接提交模糊、带复杂背景的素材
• 调用时匹配正确的页面分割模式（PSM）：比如识别单行规整文本加参数--psm 7，识别独立单词/字符块加参数--psm 8，默认的自动分割模式对短文本、非整页内容的识别经常出现偏差

如果调整以上配置后识别效果仍不满足需求，推荐基于官方现有最佳模型做微调训练，不需要从零搭建模型，对新手友好，最终效果也更稳定，具体操作流程如下：

环境与素材准备 #

• 安装完整训练依赖：安装Tesseract 5时勾选Training Tools组件（Linux环境直接源安装tesseract-ocr-training包即可），Python端确认pytesseract、Pillow库可正常调用
• 准备训练素材：覆盖10-18号（日常文档最常用区间）、常规/粗体/斜体三种字重的Calibri字体渲染文本，包含大小写英文字母、数字、常用标点，总字符量不低于10000；额外预留10%左右的Calibri字体真实截图、扫描件作为验证集，不要全部使用人工渲染的纯净素材，避免模型泛化性差
• 素材预处理：把所有训练素材裁切成单文本行图片，统一保存为TIFF格式，文件名遵循Tesseract训练命名规则：[语言标识].[自定义字体名].exp[序号].tif，例如eng.Calibri.exp0.tif

标注与文件生成 #

• 用jTessBoxEditor工具完成所有单张训练图的字符框标注，逐张核对每个字符的选框位置、对应文本内容，标注错误会直接导致模型识别出现离谱偏差
• 每完成一组图片的标注，生成和tif文件同名的.box标注文件，二者放在同一目录下
• 提取官方基础模型：将best版eng.traineddata放到训练目录，执行命令提取基础LSTM模型：
  combine_tessdata -e eng.traineddata eng.lstm
• 生成训练清单文件：把所有tif文件的绝对路径逐行写入eng.training_files.txt，作为训练输入列表

训练与模型导出 #

• 启动微调训练，可根据硬件性能调整最大迭代次数，一般跑4000-10000轮即可，观察验证集识别错误率降到1%以下就可以提前终止，不需要跑满预设迭代数，参考命令：
  lstmtraining --model_output ./calibri_model --continue_from eng.lstm --traineddata eng.traineddata --train_listfile eng.training_files.txt --max_iterations 8000
• 训练完成后，将训练生成的检查点文件合并为可直接调用的traineddata格式文件，参考命令：
  lstmtraining --stop_training --continue_from ./calibri_model_checkpoint --traineddata eng.traineddata --model_output eng.Calibri.traineddata

模型调用 #

把生成的eng.Calibri.traineddata放到Tesseract的tessdata目录下，Python环境下调用时把lang参数设为eng.Calibri即可，调用逻辑和使用官方默认模型完全一致。

注意：新手不要尝试从零开始训练全量LSTM模型，小样本下微调官方成熟模型的训练效率是从零训练的10倍以上，模型稳定性也高得多，训练素材量不足的情况下从零训练大概率会得到完全无法使用的模型。

内容的提问来源于stack exchange，提问作者Jana