Tesseract训练个人字库操提高准确率操作全流程（详细）

子林Android2025-08-11 12:43

文章目录

  • [1. 背景简介](#1. 背景简介)
  • [2. 环境搭建](#2. 环境搭建)
    • [2.1 下载 Tesseract](#2.1 下载 Tesseract)
      • [2.1.1 安装 Tesseract](#2.1.1 安装 Tesseract)
      • [2.1.2 配置Tesseract环境变量](#2.1.2 配置Tesseract环境变量)
      • [2.1.3 验证Tesseract 环境变量配置成功](#2.1.3 验证Tesseract 环境变量配置成功)
    • [2.2 下载 JDK](#2.2 下载 JDK)
      • [2.2.1 安装 JDK](#2.2.1 安装 JDK)
      • [2.2.2 配置JDK环境变量](#2.2.2 配置JDK环境变量)
      • [2.2.3 验证 JDK 环境变量](#2.2.3 验证 JDK 环境变量)
    • [2.3 下载 jTessBoxEditor](#2.3 下载 jTessBoxEditor)
      • [2.3.1 安装 jTessBoxEditor](#2.3.1 安装 jTessBoxEditor)
      • [2.3.2 运行 jTessBoxEditor](#2.3.2 运行 jTessBoxEditor)
  • [3. 训练数据](#3. 训练数据)
    • [3.1 准备图片素材](#3.1 准备图片素材)
    • [3.2 训练数据](#3.2 训练数据)
      • [3.2.1 生成 tif 文件](#3.2.1 生成 tif 文件)
      • [3.2.2 使用 tesseract 生成.box文件](#3.2.2 使用 tesseract 生成.box文件)
      • [3.2.3 使用 jTessBoxEditor 标注文件](#3.2.3 使用 jTessBoxEditor 标注文件)
      • [3.2.4 生成 font_properties 文件（该文件没有后缀名）](#3.2.4 生成 font_properties 文件（该文件没有后缀名）)
      • [3.2.5 使用 tesseract 生成 .tr 训练文件](#3.2.5 使用 tesseract 生成 .tr 训练文件)
      • [3.2.6 生成字符集文件](#3.2.6 生成字符集文件)
      • [3.2.7 生成shape文件](#3.2.7 生成shape文件)
      • [3.2.8 生成聚字符特征文件](#3.2.8 生成聚字符特征文件)
      • [3.2.9 生成字符正常化特征文件](#3.2.9 生成字符正常化特征文件)
      • [3.2.10 文件重命名](#3.2.10 文件重命名)
      • [3.2.11 合并训练文件](#3.2.11 合并训练文件)
  • [4. 验证识别效果](#4. 验证识别效果)
    • [4.1 使用命令行验证](#4.1 使用命令行验证)
    • [4.2 使用Java代码验证](#4.2 使用Java代码验证)
  • [5. 总结](#5. 总结)
    • [5.1 坑点](#5.1 坑点)

1. 背景简介

Tesseract 是一个开源的 OCR（光学字符识别）引擎，由 HP 实验室开发并在 2005 年开源，后来由 Google 维护和优化。它能够从图像中识别和提取文本，支持 100 多种语言，包括中文、英文、日文等，广泛应用于文档扫描、车牌识别、自动化数据录入等领域。

文字识别的前提是根据已有文本图像数据训练数据字库 ，从而识别同类图像上的文本。官方已有的训练数据，包含了中文、英文等：Tesseract字库数据集。

这些训练数据已经能满足大多识别场景了，但总有一些特别的字体会出现识别不准的情况，那么就需要训练自己的字库，从而进行特定字体的识别了。

本文将介绍如何训练自己的字体库 ，从而进行特定的字体识别。包括从环境搭建 到训练数据准备 、训练数据字库生成 、最后到结果验证 。中间还会介绍一些踩坑注意事项，确保按照本文的操作流程，一步步操作，能够实现最终的效果！

备注：本文演示所有电脑为 Windows 11 64 位操作系统。

2. 环境搭建

首先安装所需的软件及相关环境。

2.1 下载 Tesseract

Tesseract 是进行 OCR 识别的验证工具，可以理解为一个软件，后面将通过它进行 OCR 识别验证。

Tesseract 下载：Tesseract下载地址

本文使用 64位 windows 系统，下载 tesseract-ocr-w64-setup-v5.0.0.20190623.exe安装包。

2.1.1 安装 Tesseract

双击下载好的 exe 文件，启动安装弹窗：

点 Next :

点 I Agree :

继续 Next， 按照图示操作即可：

这里的语言可选择多下载几个：

展开节点，选择几个语言，比如中文的几个选项，可能会下载失败，但是没关系，忽略即可。

选择安装位置，比如 D 盘的某个目录，确保不要有中文！


2.1.2 配置Tesseract环境变量

为了能够在命令行中执行 Tesseract 命令进行识别，我们需要在电脑环境变量中配置 Tesseract 。

对于 windows 11 系统来说，打开设置，找到系统，高级系统设置，安装下面图示操作即可。


新建 Path ，输入上文中的安装目录。

新建系统环境变量

新建环境变量，名：TESSDATA_PREFIX

值为Tesseract 安装目录下的 tessdata文件夹路径：D:\Tesseract-OCR\tessdata

点击确定后，Tesseract 的环境变量配置完成。

2.1.3 验证Tesseract 环境变量配置成功

电脑底部任务栏搜索"终端"，打开终端，输入命令：tesseract -v

如果成功输出 tesseract 版本号，代表环境变量配置成功。

2.2 下载 JDK

经过本人验证，截止当前2025年8月10日，必须下载 ​Amazon Corretto提供的 OpenJDK 1.8.0_392 ，其他版本的JDK已经无法运行下面数据标注所用的软件 jTessBoxEditor。如果使用其他版本的JDK很可能会遇到 jTessBoxEditor 运行闪退的问题。

​Amazon Corretto Open JDK 下载地址：https://aws.amazon.com/cn/corretto/

里面可以选择不同版本的JDK，本文所需的是​Amazon Corretto OpenJDK 1.8.0_392(Corretto-8.392.08.1)，直接给出下载页面：https://github.com/corretto/corretto-8/releases?page=2

点击下图所示的链接下载 zip 包，解压到本地文件夹即可。

2.2.1 安装 JDK

由于我们下载的是 zip 包，直接解压后即可使用，无须安装过程。

解压后的文件应该如下图所示：比如我的放到了 D:\Java\JDK_180_392

2.2.2 配置JDK环境变量

接下来配置JDK环境变量，可以参考JDK8下载安装与Win10下Java环境变量配置。

唯一需要注意的是，在设置环境变量 JAVA_HOME 的值时，路径要写成上面我们JDK下载解压后的位置： D:\Java\JDK_180_392

2.2.3 验证 JDK 环境变量

同样的打开终端，输入命令：java -version，如果能输出如下图的版本号等说明信息，则代表JDK环境变量配置成功。

2.3 下载 jTessBoxEditor

jTessBoxEditor 是用来标注文字的工具，使用它我们可以准备自己的训练数据。

下载地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

比如，点击下方 jTessBoxEditorFX-2.7.0.zip 下载 2.7.0 的版本。

下载后，解压到本地某个文件夹。

2.3.1 安装 jTessBoxEditor

直接解压后即可使用，无须安装。

2.3.2 运行 jTessBoxEditor

网上大多教程描述的运行方式是 双击 train.bat 启动运行，但目前 JDK已经不支持 jTessBoxEditor 的运行了，这种方式运行会发现闪退。这是本操作流程中的第一个坑！

经过本人验证，目前能启动的方式是：

使用上文所安装的 OpenJDK 1.8.0_392，在 jTessBoxEditor 所在的文件夹下使用终端打开，执行命令：java -jar .\jTessBoxEditorFX.jar

启动后，界面如下，说明成功运行了。

至此，我们终于完成了准备工作！✿✿ヽ(°▽°)ノ✿

3. 训练数据

接下来开始准备我们自己的字体训练数据。

3.1 准备图片素材

首先准备一个训练数据的文件夹，后面我们所有的操作都会在这个文件夹下。

注意，文件夹所在的路径一定不能含中文！这是第二个坑点！

比如，我准备的文件夹路径是：E:\OCRTrain

然后，准备一些带字的图片，注意要保证是白底黑字的！这是第三个坑点 ！否则的话，在 jTessBoxEditor 中会识别不出来。如何做成白底黑字有很多种方法，可以用PS工具，或者网上搜索图像二值化在线处理工具，总之处理后的图像如下即可：

当然，图片素材越多越好，这里仅用1张图片来作为演示。

3.2 训练数据

3.2.1 生成 tif 文件

使用 jTessBoxEditor 进行训练数据，用上文所述方式启动 jTessBoxEditor，选择Tools->Merge TIFF，选择图片素材所在文件夹，选中要参与训练的图片。

注意筛选的文件类型要改成PNG，否则你可能发现没有可选择的文件。

点击 "打开" 后会弹出对话框，让你保存成一种.tif格式的文件，文件命名为 mylang.myfont.exp0.tif

这里的文件命名有格式规范 ：[lang].[fontname].exp[num].tif

  • lang是语言名，这里我们起一个自己的名字即可，比如mylang
  • fontname是字体名，也是起一个自己的名字，比如 myfont
  • num为自定义数字，这里是 exp0
  • 最后是固定后缀.tif

点击保存后，会弹出成功弹窗。

3.2.2 使用 tesseract 生成.box文件

在上一步骤生成的 mylang.myfont.exp0.tif 文件所在目录下打开终端，执行下面命令，执行完之后会生成 mylang.myfont.exp0.box 文件。

执行如下命令 ： tesseract mylang.myfont.exp0.tif mylang.myfont.exp0 batch.nochop makebox

执行后，输出如下：

这里有可能输出错误，检查上文 TESSDATA_PREFIX 环境变量的配置是否正确！

3.2.3 使用 jTessBoxEditor 标注文件

.box文件记录了每个字符在图片上的位置和识别出的内容，训练前需要使用jTessBoxEditor调整字符的位置和内容。

打开 jTessBoxEditor 点击 Box Editor -> Open，打开步骤2中生成的 mylang.myfont.exp0.tif，会自动关联到 mylang.myfont.exp0.box 文件，这两文件要求在同一目录下。调整完点击"save"保存修改。

打开后，如下：

开始标注数据，这里有第四个坑点 ，标注正确的文字时无法输入中文！解决方式是：修改 jtessboxeditor 设置中的字体为宋体：
setting --> Font 里改字体为宋体，Regular

如下对第一个字"英"进行标注：

先选中第一个字英，鼠标在"英"上点一下，蓝框会变红，表示当前正在对该字进行标注。

然后在 Character 里输入 "英" 后回车，会发现左侧结果项里第1行 Char 里已经成功显示 "英"字；

最后调整 X、Y、W、H保证红框刚好框住"英"字，即可。

其他字的标注同理，全部标注完成后如下：

标注完成后，选择 File --> save 保存即可。

3.2.4 生成 font_properties 文件（该文件没有后缀名）

还是在当训练目录E:\OCRTrain下生成一个名为 font_properties 的文件，没有后缀。

这个文件是用来描述字体属性的，一般的教程会让执行命令 echo myfont 0 0 0 0 0 >font_properties 来新建文件，但这种方式会埋下一个大坑！那就是后面的步骤会直接卡住！

原因是直接生成的编码格式是utf16，而非UTF-8，这是第五个坑！！！

这里可以直接新建一个文本文件，命名为 font_properties：

输入内容 myfont 0 0 0 0 0 表示字体 myfont 的粗体、倾斜等共计5个属性。这里的"myfont"必须与 "mylang.myfont.exp0.box" 中的 "myfont" 名称一致。

保存后，重命名，删除.txt后缀，确定。

3.2.5 使用 tesseract 生成 .tr 训练文件

在当前目录下，打开终端，执行下面命令，执行完之后，会在当前目录生成 mylang.myfont.exp0.tr文件。

执行如下命令： tesseract mylang.myfont.exp0.tif mylang.myfont.exp0 nobatch box.train

目前当前目录下有如下文件：

3.2.6 生成字符集文件

执行下面命令：执行完之后会在当前目录生成一个名为 "unicharset" 的文件。

执行命令： unicharset_extractor mylang.myfont.exp0.box

3.2.7 生成shape文件

执行下面命令，执行完之后，会生成 shapetable 和 mylang.unicharset 两个文件。

执行命令： shapeclustering -F font_properties -U unicharset -O mylang.unicharset mylang.myfont.exp0.tr

如果 font_properties 的编码格式不是 utf-8 的话，上述命令执行完会卡住。这就是上文说的第五个坑点。

3.2.8 生成聚字符特征文件

执行下面命令，会生成 inttemp、pffmtable、shapetable 和 mylang.unicharset 四个文件。

执行命令： mftraining -F font_properties -U unicharset -O mylang.unicharset mylang.myfont.exp0.tr

3.2.9 生成字符正常化特征文件

执行下面命令，会生成 normproto 文件。

执行命令： cntraining mylang.myfont.exp0.tr

3.2.10 文件重命名

重新命名 inttemp、pffmtable、shapetable和 normproto 这四个文件的名字为 [lang].xxx。

这里修改为 mylang.inttemp、mylang.pffmtable、mylang.shapetable 和 mylang.normproto

可直接在文件夹中重命名修改。

3.2.11 合并训练文件

执行下面命令，会生成 mylang.traineddata文件。

执行命令： combine_tessdata mylang.

输出中的 1、3、4、5、13这些项不是 -1，表示新的语言包生成成功，即 mylang.traineddata 文件。

将生成的 mylang.traineddata 语言包文件复制到 Tesseract-OCR 安装目录下的tessdata文件夹中，就可以使用训练生成的语言包进行图像文字识别了。

4. 验证识别效果

4.1 使用命令行验证

这里使用上文的训练图片进行OCR识别验证，还是在训练目录下打开终端。

输入命令：tesseract 1.png testT1 --l mylang

  • testT1 是识别后存放结果的文本文件
  • 注意，-l 是小写字母 L，代表 Language 语言的意思，而不是数字1
  • 最后的 mylang 就是我们上面新生成的语言名。

查看结果：

打开后可见内容如下：

4.2 使用Java代码验证

使用 Intellij Idea 新建 Java Maven工程，在 Test 代码中进行测试。

添加 Maven 依赖:

xml 复制代码 
<dependencies>
        <dependency>
            <groupId>net.java.dev.jna</groupId>
            <artifactId>jna</artifactId>
            <version>4.1.0</version>
        </dependency>

        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>3.4.0</version>
            <exclusions>
                <exclusion>
                    <groupId>com.sun.jna</groupId>
                    <artifactId>jna</artifactId>
                </exclusion>
            </exclusions>
        </dependency>
        <!--单元测试的依赖-->
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.12</version>
        </dependency>
    </dependencies>

测试代码

java 复制代码 
import java.io.File;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

public class Test {

    @org.junit.Test
    public void testOCR()throws Exception {

        // 测试图片路径
        File imageFile = new File("E:\\OCRTrain\\1.png");

        ITesseract instance = new Tesseract();
        instance.setDatapath("D:\\Tesseract-OCR\\tessdata"); // 设置语言库路径
        instance.setLanguage("mylang"); // 设置语言为自己训练的语言
        try {
            String result = instance.doOCR(imageFile);
            System.out.println(result);
        } catch (TesseractException e) {
            System.err.println(e.getMessage());
        }
    }
}

输出结果：

5. 总结

到此，我们终于完成了整个 Tesseract 从环境搭建 到训练数据准备 、训练数据字库生成 、最后到结果验证的全部过程！希望你也能顺利完成！

5.1 坑点

中间踩得的坑点如下：

  • 坑1：jTessBoxEditor 无法启动

    原因是 JDK 版本问题。解决方法：使用本文提到的 Amazon Corretto OpenJDK 1.8.0_392(Corretto-8.392.08.1)，在 jTessBoxEditor 所在的文件夹下使用终端打开，执行命令：java -jar .\jTessBoxEditorFX.jar 进行启动软件。

  • 坑 2 ：训练数据所用的文件夹所在的路径一定不能含中文

  • 坑 3 ：训练图片上的文字要保证是白底黑字的

  • 坑 4 ：标注文字时无法输入中文！

    解决方式是：修改 jtessboxeditor 设置中的字体为宋体。

  • 坑 5 ：font_properties 文件编码格式要为 utf-8，否则 shapeclustering 命令会卡住。

如果本文对你有所帮助，欢迎支持哦~ Thanks♪(･ω･)ﾉ

相关链接:

https://blog.csdn.net/qq_31112205/article/details/100159963

https://www.cnblogs.com/interdrp/p/15423165.html

热门推荐
01全球最强模型Grok4，国内已可免费使用！（附教程）02UV安装并设置国内源03[已解决]VSCode右键菜单消失恢复04Qwen3-Coder 快速上手教程 | Qwen Code + Claude Code05🚀Cursor CLI+GPT-5保姆级教程+编程能力测评！Cursor CLI零成本免费使用GPT-5！Claude Code的劲敌来了！从安装到实战演示06GPT-5 使用限制与国内升级全攻略（免费 / Plus / Pro）【2025 最新】07KGG转MP3工具|非KGM文件|解密音频082025最新国内服务器可用docker源仓库地址大全（2025年8月更新）09Cursor 终端“卡死/无响应”问题的解法10OpenAI重返开源！GPT-OSS本地部署完全指南