train_lstm_tesseract

training lstm new font tesseract5

前言

使用 tesseract5 训练 lstm 模型，文本所使用字体 arial。 发现个别识别率较低，如何提高识别率？

比如： 0 O 1 I 5 S

1 搭建 train 环境 (ubuntu 25.04)

docker run -it --privileged --name tess -v ~/tools/lstm:/root/lstm sunquana/ubuntu:tesseract5 zsh

2 训练

make training MODEL_NAME=arial START_MODEL=best_eng TESSDATA=/usr/share/tesseract-ocr/5/tessdata  MAX_ITERATIONS=10000

3 识别率对比

• 使用默认的PSM = 13训练

模型	训练数据图片	测试数据图片	psm	pass_rate
eng	---	200张	7	75%
eng	---	200张	13	84%
arial	243张	200张	7	94.5%
arial	243张	200张	13	92%

3.1 优化方向

[x] 指定识别模式 --user-patterns。 [ ] 提高训练的数据集 (200->1000) 下载1000张真实数据，用于训练。 再下载1000张真实数据，用于测试准确率。

参考文档

• OCR 100% accuracy of digital data