Trénování OCR Tesseract

[Aleš Dvoika]

Ahoj poradí mi někdo jak na training tesseractu? mam vytvořenou mapu fontu v *.tiff a i *.box ale zaboha nemuzu prijit na to jak z toho vytvořit *.traineddata

xubuntu 18, tesseract 3.05.00
děkuji za odpověd

[Reklama]

[solanum-lycopersicum]

Myslím že celý proces je dobre popísaný v dokumentácii https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract-3.03%E2%80%933.05

[_Jenda]

Jenom bych chtěl poznamenat, že Tesseract 4.0 (s moderními neuronovými sítěmi) mi fungoval podstatně lépe. Možná by stálo za to trénovat rovnou ten?

[Aleš Dvoika]

ahoj verzi 4 sem zatim ani nezkoušel, zatím nemá GUI nástavby nebo trainery...jen pro zajimavost jak slozity by bylo vytahnout tento text?

[Aleš Dvoika]

Myslím že celý proces je dobre popísaný v dokumentácii https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract-3.03%E2%80%933.05

uplne se v te dokumentaci ztrácím ale pomohl mi jtessboxeditor(java) a serak trainer ale jen pod win32

[Reklama]

[_Jenda]

ahoj verzi 4 sem zatim ani nezkoušel, zatím nemá GUI nástavby nebo trainery...jen pro zajimavost jak slozity by bylo vytahnout tento text?

Tak jak jsi ho dodal tak se to skoro nechytlo, ale když z toho ten text jednoduše vyextrahuju (vyberu bílou s thresholdem 73, odečtu oblasti které se dotýkají okraje, zbylý výběr začerním, všechno ostatní smažu), tak dostanu obrázek viz příloha a z něj anglický Tesseract 4 z Debianu unstable dá „Valve allows the life inside the other gives birth... struck ablaze by godly plug igniter! Revolution about revolution rejoice! *,“ což je správný výsledek až na ten bordel na konci. Přičemž tahle extrakce byla nastřelená a triviální, určitě by šlo vymyslet něco lepšího, co bude brát v úvahu že písmenka jsou světlá s tmavým okrajem.

[Wangarad]

Jenda a co je pointa? Nanovo vymyslas koleso alebo sa zabavas pripadne ucis?

[_Jenda]

Jenda a co je pointa?

Pointa čeho? Pointa radění v poradně na Rootu a AbcLinuxu?

Nanovo vymyslas koleso

Zatím se tu žádné řešení neobjevilo, takže staré kolo nám není známé.

alebo sa zabavas pripadne ucis?

Ano, přijde mi, že pročítáním a řešením poraden jsem se toho spoustu naučil.

[Aleš Dvoika]

ahoj verzi 4 sem zatim ani nezkoušel, zatím nemá GUI nástavby nebo trainery...jen pro zajimavost jak slozity by bylo vytahnout tento text?

Tak jak jsi ho dodal tak se to skoro nechytlo, ale když z toho ten text jednoduše vyextrahuju (vyberu bílou s thresholdem 73, odečtu oblasti které se dotýkají okraje, zbylý výběr začerním, všechno ostatní smažu), tak dostanu obrázek viz příloha a z něj anglický Tesseract 4 z Debianu unstable dá „Valve allows the life inside the other gives birth... struck ablaze by godly plug igniter! Revolution about revolution rejoice! *,“ což je správný výsledek až na ten bordel na konci. Přičemž tahle extrakce byla nastřelená a triviální, určitě by šlo vymyslet něco lepšího, co bude brát v úvahu že písmenka jsou světlá s tmavým okrajem.

takže bez pozadí to přechroustá.... potřeboval bych z videa kazdy pul sekundy sejmout titulky, tohle reseni neni moc realtime
tato stranka https://ocr.sanskritdictionary.com mi text prevede bez problemu ale buh ví co dělá s tim obrazkem predtim

díky díky moc za reply

[Aleš Dvoika]

origo fonty

[Aleš Dvoika]

guugl si stim taky pohral jako by nic

[_Jenda]

potřeboval bych z videa kazdy pul sekundy sejmout titulky, tohle reseni neni moc realtime

Jak není? To jsou dva průchody tím obrázkem (jeden fill a jedno sežrání od okrajů), to je naprosto zanedbatelné s tím co pak dělá to OCR.