Tesseract 5.0 之后，训练流程虽然变得更加科学（基于 LSTM），但也复杂了不少。与其从头训练一个模型，不如在官方预训练模型的基础上进行 微调（Fine-tuning），这不仅速度快，而且只需要少量数据。

一、 核心逻辑：Layer-cancelling（图层取消）

微调的本质是：保留 Tesseract 提取图像特征的前端网络，只重写最后几层负责字符输出的层。这样它就能利用已有的“视觉经验”去学习你的新字符。

二、 准备阶段：工欲善其事

你需要准备三样东西：

  1. 基础模型（Best Model）： 从 Tesseract 官方仓库下载 tessdata_best 中的 .traineddata 文件。
  2. 训练素材： 至少 100-500 张包含目标字体的图片。
  3. 地面真值（Ground Truth）： 每一张图片对应一个同名的 .gt.txt 文件，里面写入图片里的文字。

三、 实战步骤：五步走

1. 生成训练样本

利用 tesstrain 脚本将你的图片和文本打包成 .lstmf 格式（这是 Tesseract 训练专用的数据格式）。

Bash

python3 generate_line_data.py --prefix my_font --font "MyCustomFont" --text training_text.txt

2. 提取模型原型

从现有的模型中“提取”出网络结构：

Bash

combine_tessdata -e chi_sim.traineddata chi_sim.lstm

3. 启动微调训练

使用 lstmtraining 工具。关键参数是 --continue_from（指定原始模型）和 --model_output（输出路径）。

Bash

lstmtraining \
  --model_output ./output/my_custom_model \
  --continue_from ./chi_sim.lstm \
  --traineddata ./chi_sim.traineddata \
  --train_listfile ./all_lstms.txt \
  --max_iterations 1000

4. 监控收敛性

观察控制台输出的 Character Error Rate (CER)。当 CER 降到你满意的范围（通常 < 1%）时，可以手动停止训练。

5. 合并并导出

最后将训练出的权重重新打包回 .traineddata 文件：

Bash

lstmtraining --stop_training \
  --continue_from ./output/my_custom_model_checkpoint \
  --traineddata ./chi_sim.traineddata \
  --model_output ./my_custom_model.traineddata

四、 避坑指南：提高微调成功率的秘诀

  • 图像质量一致性： 训练集的 DPI 必须与未来实际使用的 DPI 一致（建议 300 DPI）。
  • 字符覆盖率： 确保你的训练文本覆盖了所有你需要识别的字符。
  • 合成数据 vs 真实数据： 建议 70% 真实扫描件 + 30% 用字体生成的合成图。