Tesseract-OCR LSTM训练：多文件列表失效单文件正常问题求助

问题描述 #

我在微调Tesseract手写识别模型时遇到了问题：已经准备好字符图像和对应box文件，生成了.lstmf文件，也用Python脚本生成了lstm_train.txt和lstm_test.txt，但用这两个列表文件启动训练就失败，只有当列表里只留单个.lstmf文件路径时才能正常启动。另外，所有.lstmf文件本身是没问题的——我写了个逐文件训练、从上次checkpoint续训的脚本，能正常处理所有文件。现在不确定是lstm_train.txt的生成环节有问题，还是lstmtraining工具本身只支持单个.lstmf文件作为输入？

生成列表文件的Python代码 #

import os
import random

input_dir = "test"
train_file = "lstm_train.txt"
test_file = "lstm_test.txt"

# 列出所有.lstmf文件
all_files = [f for f in os.listdir(input_dir) if f.endswith(".lstmf")]
random.shuffle(all_files)  # 随机打乱

# 训练集比例（80%）
train_split = 0.8
train_count = int(len(all_files) * train_split)

train_files = all_files[:train_count]
test_files = all_files[train_count:]

# 写入训练和测试文件，使用相对路径
with open(train_file, "w", encoding="utf-8") as f_train, \
     open(test_file, "w", encoding="utf-8") as f_test:
    
    for f in train_files:
        relative_path = os.path.join(input_dir, f)
        f_train.write(relative_path+"\n")
        
    for f in test_files:
        relative_path = os.path.join(input_dir, f)
        f_test.write(relative_path+"\n")

print(f"[OK] 文件 '{train_file}' 和 '{test_file}' 已生成，使用相对路径。")

排查与解决建议 #

• 检查路径格式：确保lstm_train.txt里的路径没有多余空格、换行符，或包含特殊字符（如中文、空格）。路径含空格时需用引号包裹，或替换为无空格路径。
• 验证文件编码：确认列表文件是UTF-8无BOM编码，避免编辑器自动添加的BOM头导致解析失败。可通过记事本选择UTF-8编码重新保存。
• 清理列表文件格式：确保每个.lstmf路径单独占一行，无空行或重复行。可手动检查，或用命令cat lstm_train.txt | grep -v "^$"过滤空行后重试。
• 升级Tesseract版本：旧版本Tesseract处理多文件列表可能存在bug，建议升级到5.3.0及以上的稳定版本。
• 改用绝对路径：将脚本中的相对路径替换为绝对路径，避免工作目录问题导致Tesseract找不到文件。修改后的核心代码片段如下：

  # 替换原路径写入部分
  for f in train_files:
      abs_path = os.path.abspath(os.path.join(input_dir, f))
      f_train.write(f"{abs_path}\n")
      
  for f in test_files:
      abs_path = os.path.abspath(os.path.join(input_dir, f))
      f_test.write(f"{abs_path}\n")
  

内容的提问来源于stack exchange，提问作者TestING