本文使用tesseract 4.0 LSTM版本训练mnist数据集。
安装过程见此博客:https://blog.csdn.net/ayayayayo/article/details/107811559
训练步骤如下:
1. 下载mnist数据集,并处理数据生成.tif和.box文件。
本文使用Pytorch中的MNIST类进行数据下载,将10个数字拼接成一张tif图片用于后期合成输入Tesseract的tif,对于60000数据样本,总共生成6000张图片和一个.box文件。.box文件的格式如下:
其中从左到右分别代表:数字标签、左上角横坐标、左上角纵坐标、右下角横坐标、右下角纵坐标、数字所在页码。接下来利用 jTessBoxEditor合并之前生成的6000张tif图片为一个tif文件。这里用于lstm训练,每一个数据所在位置都标记为其所在的一整行。因此这些中间四个数字都是一样的。(我也不知道为啥这样,GitHub上有人提出了这个问题,让这么标记,我一开始单独标记每一个数字训练过程会出错)
打开下载的 jTessBoxEditor文件包,点击train.bat即可打开该工具。
点击Tool–MergeTIFF,全选所有6000张图片
注意全选图片后会弹出生成的tif文件保存路径选择框,在命名时要注意最好使用如下格式::,例如我用的名称为num.mnist.exp0.tif。
图片数量过多生成时间可能会比较长,稍等片刻即可。
至此,用于Tesseract训练的