mac brew 安装_“自己动手，丰衣足食”——训练一个属于自己的OCR文字识别库（mac环境）...

最新推荐文章于 2024-03-19 08:30:00 发布

weixin_39819576

最新推荐文章于 2024-03-19 08:30:00 发布

阅读量760

点赞数

文章标签： mac brew 安装 mac 安装 brew mac 安装brew mac安装brew mac安装sqlmap报错misssing a mandatory mac系统升级 brew 是用不了

点击蓝字?关注【测试先锋】，不再迷路！

一起成为互联网测试精英，前瞻测试技术～

导语最近题主遇到了一个需要识别图片中的数字的问题，在网上冲浪时发现了tesseract可以做到ocr识别内容。但是经过实验发现对数字的准确率堪忧，需要自己训练。这篇文章主要讲的是自己摸索在mac环境下训练一个属于自己的ocr数字识别库的过程。因为遇到了太多的环境问题，从环境配置到组织素材再到训练，大概需要2d左右，这里值得写写。希望大家可以通过这篇文章快速的拿到属于自己的模型集✌️

一、背景

1.什么是tesseract

Tesseract was originally developed at Hewlett-Packard Laboratories Bristol and at Hewlett-Packard Co, Greeley Colorado between 1985 and 1994, with some more changes made in 1996 to port to Windows, and some C++izing in 1998. In 2005 Tesseract was open sourced by HP. Since 2006 it is developed by Google.

Tesseract最初是在1985年至1994年间由Hewlett-Packard Laboratories Bristol和Hewlett-Packard Co，Greeley Colorado开发的，经过了几轮迭代，1996年移植到Windows，并在1998年推出了C++版本。2005年，Tesseract由惠普开源。2006年以后，谷歌团队在维护这个项目至今。

2.自带的识别准确率如何？

背景：识别图片中某个地方数字的准确性，如下图，视频中的每一帧我都将帧序列号标注在了视频的左上角：

我的目标：可以准确的识别这个左上角的标记的数字是多少，方便我后续的一系列的图像操作。
随后我找了一些教程，当你成功安装上了tesseract以后，你就可以用自带的原生tesseract模型来使用了：

tesseract TargetYourPicture.jpg - --psm 6
识别的准确率，就我这个case而言是不太好的，具体表现在：“1，2，7不分”(对于只有10个数字的识别，这已经占了30%的混乱率)，“4，A”不分等一系列的情况，部分脚本结果如下：

因此，我们得到结论：使用原生的tesseract模型来做预测是不能完成这次的需求的。

3.如何提高识别的准确率？

1)我的尝试A：将样本的数字变大，再来做预测
我构造样本的方法是：将视频左上角标记上序列帧号以后，再使用截帧的操作：
a.序列帧构造，使用ffmpeg命令可以做到：

ffmpeg -i input.mp4 -vf drawtext=fontcolor=black:box=1:boxcolor=white:fontsize=40:fontfile=msyh.ttf:line_spacing=7:text=%{n}:x=0:y=0 -vframes 600  -y -qscale 0  out.mp4

可以将fontsize参数改大，这样你就可以拿到一组很大个的样本库，下图左边是fontsize=160，右边是fontsize=40：

结果发现，tesseract的识别其实和图片大小没什么关系。图片就算改大了以后，识别依然是不准确的。
2)我的尝试B：检查混乱的规律，将规律写为hard code尝试通过外层逻辑来控制预测结果，比如if str(num) == ‘A’ num = 4,但是没法解决数字混乱的问题。因此以上两种尝试都是行不通，看来一定要自己训练一个模型才行。

二、搭建流程介绍(mac环境)

1.全流程图

搭建全流程图如下：

如果你需要训练自定义的模型，那你大概需要准备“tesseract训练工具”，“样本校正工具”，并在确认环境正确的情况下通过生成一系列的文件，最后组成自己的traineddata文件，作为最后的训练结果。

2.windows环境下的安装指引

因为笔者这次的实践全在mac环境下完成，windows读者可以参考这两篇博客(这里感谢eriel：)

https://blog.csdn.net/u012555556/article/details/80666809
https://blog.csdn.net/yasi_xi/article/details/8763385

三、具体实践

1.tesseract的安装

1)不带自训练库的安装：

brew install tesseract

2)带训练库的安装：

注意，下面这个命令很久之前就已经失效了：

brew install tesseract --with-training-tools

现在mac确认安装的方式是需要将tesseract的代码下载下来。通过gcc编译在自己的电脑上(如果你之前已经用brew安装了tesseract，但是没装上training-tools没关系，也可以将源码下载下来，它会重复安装)。

A.下载源码

源码链接：

https://github.com/tesseract-ocr/tesseract/wiki/Compiling#macos-with-homebrew

B.依赖库的安装

根据以往tesseract教程博主的经验，他们可能遇到的依赖大概有如下几个：

brew install automake autoconf libtool
brew install pkgconfig
brew install icu4c
brew install leptonica
brew install gcc
brew install pango

我遇到的有问题的库是 libffi和icu4u，这个库在我安装完了以后，在后续的./configure环节一直都找不到在哪，后续在环境路径里面添加了提示的这几个路径后，再次./configure以后就成功装上了：libffi报错添加这些到系统路径：

export LDFLAGS="-L/usr/local/opt/libffi/lib"
export CPPFLAGS="-I/usr/local/opt/libffi/include"
export PKG_CONFIG_PATH="/usr/local/opt/libffi/lib/pkgconfig"

icu4u报错：

brew install cairo pango icu4c autoconf libffi libarchive
export PKG_CONFIG_PATH=\
$(brew --prefix)/lib/pkgconfig:\
$(brew --prefix)/opt/libarchive/lib/pkgconfig:\
$(brew --prefix)/opt/icu4c/lib/pkgconfig:\
$(brew --prefix)/opt/libffi/lib/pkgconfig
./configure

再执行brew install 相关指令，以及 ./configure

C. 编译

具体命令(转移到你下载的源码文件夹)：

./autogen.sh

./configure

报错中有提到“Documentation will not be built because asciidoc or xsltproc is missing.”
解决这个错的方法：执行这些临时配置命令：

brew install cairo pango icu4c autoconf libffi libarchive
export PKG_CONFIG_PATH=\
$(brew --prefix)/lib/pkgconfig:\
$(brew --prefix)/opt/libarchive/lib/pkgconfig:\
$(brew --prefix)/opt/icu4c/lib/pkgconfig:\
$(brew --prefix)/opt/libffi/lib/pkgconfig
./configure

configure执行成功的标志，你将在./configure的最后的输出看到，你可以执行 make training 了，恭喜，那你就是可以安装了训练工具了,如下图所示：

D.安装训练工具

make training

成功安装训练工具，至此，训练工具就安装完毕了。

E.安装一个语言库

语言库：https://github.com/tesseract-ocr/tessdata
这里安装一个英文的就行(如果有其他需求，可以自行取用)注意，下载好的traineddata文件，需要放在指定的tessdata目录下。我的tessdata目录是：/usr/local/share/tessdata

2.tesseract原生的使用

tesseract TargetYourPicture.jpg - --psm 6`

这里，关于psm的参数含义可以参考这篇blog：https://blog.csdn.net/fire669842703/article/details/103009578，也可以 tesseract --help看看具体参数的用法。

3.训练工具jTessBoxEditor的使用

1)下载工具

这个软件是开源的，是java代码写的所以运行时是需要执行jar包的。首先要装好java环境。然后在执行打开jar包的命令。训练工具源码：

https://mac.softpedia.com/get/Graphics/jTessBoxEditor.shtml

2)使用工具教程

a.打开工具：

sudo java -jar ./jTessBoxEditorFX.jar

b.素材tif合成

tools-Merge TIFF 选中图片，mac这里按住shift可以拖动选中框，可以选中大量的图片，我这里选择了500张。

c.生成box文件

tesseract num.font.exp2.tif num.font.exp0 batch.nochop makebox

但是这里遇到一个错出现了 empty page 相关的报错：

查阅了相关资料发现，这里需要增加psm参数于是将命令改为：

tesseract num.font.exp2.tif num.font.exp0 --psm 7 batch.nochop makebox

成功生成box以后的命令行是这样的：

d.校准每个标注

选中图片以后是这样的：

如果有不准确，可以通过下面截图的指引调整，直到每个page都有至少1个标注。

到这里，box文件就构造完毕了。记得点击上图中间的 Box Editor - Save 来保存自己的调整结果。当然，其实这只是一个帮助你来写*.box的工具。如果你可以用脚本批量生成box的内容，那也可以不用这个工具。比如：每个数字的大小都是固定的84*116 ，那么第一个数字就一定是：num 0 0 84 116；第二个数字就一定是 num2 84 0 168 116；第三个数字就一定是：num3 168 0 252 116.box文件用txt打开如下：

4.一系列的文件生成

1) 生成tr文件

tesseract num.font.exp2.tif num.font.exp2 -psm 6 nobatch box.train

2) 生成unicharset文件

exactPath/unicharset_extractor num.font.exp2.box

3) 创建font_properties文件

touch ./font_properties
txt打开输入 font 0 0 0 0 0 即可.

fontname italic bold fixed serif fraktur

//翻译
字体名字 倾斜 加粗 固定宽度 衬线体 哥特字体

4) training

Shapeclustering:

绝对路径/shapeclustering -F font_properties -U unicharset num.font.exp2.tr

生成了shapetable文件；
mftraining:

绝对路径/mftraining -F font_properties -U unicharset -O num.font.exp2.unicharset num.font.exp2.tr

num.font.exp2.unicharset、inttemp，pffmtable文件，将inttemp，pffmtable重命名为：num.font.exp2.inttemp，num.font.exp2.pffmtable

执行命令：

绝对路径/cntraining num.font.exp2.tr

生成normproto文件，再重命名为 num.font.exp2.normproto

5)拿到traineddata

combine_tessdata 注意exactPath：

到这里就ok了，然后把生成的traineddata文件，放在tessdata的执行目录下即可。我的路径是：/usr/local/share/tessdata

绝对路径/combine_tessdata num.font. exp2

6)期间可能遇到的问题

a.tr文件生成失败

tr文件会在280页暂停并生成失败。这里的原因是280页的box文件没有标注：

将这页内容补齐(记得点击save)，就可以成功生成。

b.unicharset文件查找失败

Failed to load unicharset from file unicharset

错误原因：过早的改名了。在上述的步骤里面，改名(最后有一步需要改名)时最好也要保留原文件，因为每一步骤都几乎要用到之前的文件。所以改名最好使用副本的方式，而不是替换。

解决方案：unicharset文件保留即可。正确的输出应该是：

c.unicharset_extractor 等命令失败

一直无法unicharset_extractor command not found的原因：
这不是一个命令，这是一个可执行文件，需要在他的文件夹里用。make training以后，没有发现错误(error warning都拉出来看看) 没什么问题就是应该安装好了的，安装好了以后全局搜一下看看你的unicharset_extractor在哪(macOS 可以使用mdfind命令搜索文件)

类似的问题：

同样的，也是增加路径就可以解决。只要你的make training 是没有任何错误的，你这些执行文件一定都在你的电脑里。最后再执行mftraining命令，如果没配置环境路径，还是要加绝对路径。

5.检验正确率

使用自己训练的模型，做预测时使用如下命令：

tesseract ./cut-BasketballDrillText-3.jpg stdout -l num.font.exp2 --psm 6

肉眼可以感觉到准确率有了很高的提升，基本上不会有识别成字母或者符号的情况了

参考链接：

tesseract-ocr-github tesseract 代码仓库：
https://github.com/tesseract-ocr/tesseract
Python实例：利用pytesseract库进行图片文字识别：
http://www.inimei.cn/archives/297.html
编译可训练的tesseract遇到的问题:
https://blog.csdn.net/aaa_aaa1sdf/article/details/95324522
mac文字识别：https://blog.csdn.net/u010670689/article/details/78374623

weixin_39819576

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
mac brew 安装_“自己动手，丰衣足食”——训练一个属于自己的OCR文字识别库（mac环境）...

点击蓝字?关注【测试先锋】，不再迷路！一起成为互联网测试精英，前瞻测试技术～导语最近题主遇到了一个需要识别图片中的数字的问题，在网上冲浪时发现了tesseract可以做到ocr识别内容。但是经过实验发现对数字的准确率堪忧，需要自己训练。这篇文章主要讲的是自己摸索在mac环境下训练一个属于自己的ocr数字识别库的过程。因为遇到了太多的环境问题，从环境配置到组织素材再到训练，大概需要2d左...
复制链接

扫一扫