训练Tesseract 5.0模型时遇Compute CTC targets失败错误求助

1. 排查标注文件格式错误 #

从调试日志ERROR: Could not parse int32_t from 10??可以确定，你的.gt.txt或.box文件存在非法字符/格式问题：

• 批量检查所有.gt.txt文件，删除乱码、问号等非预期字符，确保内容仅包含训练需要的字符（比如数字、小数点、正负号等）。
• 校验.box文件格式：每行必须严格遵循字符 x1 y1 x2 y2 page结构，所有坐标必须是整数，不能有缺失或非数字项。可以用以下脚本批量验证：

  import os
  
  box_dir = "你的box文件目录路径"
  for filename in os.listdir(box_dir):
      if filename.endswith(".box"):
          with open(os.path.join(box_dir, filename), 'r') as f:
              for line_num, line in enumerate(f, 1):
                  parts = line.strip().split()
                  if len(parts) != 5:
                      print(f"{filename}第{line_num}行格式错误：{line}")
                  try:
                      int(parts[1]), int(parts[2]), int(parts[3]), int(parts[4])
                  except ValueError:
                      print(f"{filename}第{line_num}行坐标非整数：{line}")
  

2. 清理损坏的Checkpoint文件 #

Failed to read continue from: data/graphDetector/checkpoints/graphDetector_checkpoint是因为残留了损坏的训练 checkpoint 文件，执行以下操作：

• 删除data/graphDetector/checkpoints/目录下的所有文件
• 重新执行训练命令，不要尝试从损坏的 checkpoint 恢复

3. 优化训练参数与数据预处理 #

针对图表识别场景，调整以下配置提升训练稳定性：

• PSM参数：PSM=11适合稀疏文本，若你的图表包含密集数值/刻度，可尝试PSM=6（单一文本块假设）或PSM=3（全自动页面分割）。
• 字符集配置：确保训练使用的字符集包含图表所有可能字符，用unicharset_extractor工具从干净的标注文件生成：

  unicharset_extractor data/graphDetector-ground-truth/*.gt.txt
  

• 图像预处理：对PNG图表做二值化、去噪处理，减少干扰元素，示例脚本：

  import cv2
  import os
  
  img_dir = "你的png文件目录路径"
  for filename in os.listdir(img_dir):
      if filename.endswith(".png"):
          img = cv2.imread(os.path.join(img_dir, filename), cv2.IMREAD_GRAYSCALE)
          img_bin = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
          cv2.imwrite(os.path.join(img_dir, filename), img_bin)
  

4. 重新生成LSTMF文件 #

原LSTMF文件可能因标注错误生成异常，重新生成后再启动训练：

tesseract data/graphDetector-ground-truth/[文件名].png data/graphDetector-ground-truth/[文件名] --psm 11 lstm.train

可编写脚本批量处理所有PNG文件。

内容的提问来源于stack exchange，提问作者Akshay NN