训练Tesseract为图标加标签

Question

我正在尝试为Tesseract 4.0创建培训数据，以识别屏幕截图中的图标（例如，评论，共享，保存）。这是一个示例屏幕截图：

我想微调Tesseract以实现如下输出：
像147
评论29
已保存5
动作
58
动作
个人资料访问24
跟随2

我已按照https://pretius.com/how-to-prepare-training-files-for-tesseract-ocr-and-improve-characters-recognition/

中的说明进行了逐步操作

我修改了箱形文件，如下所示：
-心：喜欢
-对话气泡：评论
-书签：已保存
-箭头：分享

但是，最终的训练数据未能按我的意愿读取图标。我得到的错误示例是“像不在unicharset中”。为图标创建unicharset时，我需要做些不同的事情吗？

Answer 1

我知道了。框编辑器期望使用单个字母/数字而不是完整的单词。我已经使用Unicode字符来解释我的图标。步骤如下：

1. 裁剪所有希望Tesseract检测到的目标图标并将其保存在一个文件中（在我的情况下为own.std.exp0.png
）
2. 使用命令“ tesseract own.std.exp0.png own.std.exp0 makebox”创建盒子文件
3. 打开jTessBoxEditor并在char列中输入unicode。可以在程序字符映射（https://sites.psu.edu/symbolcodes/windows/charmap/）下找到受支持的Unicode列表。示例：对于心脏符号，我使用了U + 2665。请注意，不支持某些unicode。它显示为空白正方形。因此，请继续尝试直到找到可行的方法。我最终编辑的框文件如下所示。
   
4. 创建最终的训练文件，该文件将是own.trainneddata（可以按https://medium.com/apegroup-texts/training-tesseract-for-labels-receipts-and-such-690f452e8f79所示进行操作，也可以使用jTessBoxEditor进行训练）。
5. 将own.traineddata复制到目录Tesseract / tessdata，然后使用lang ='own + eng'运行Tesseract。我使用pytesseract，输出如下：