说实话，别看现在大模型（VLM）微调吹得神乎其神，真要在嵌入式设备或者低功耗服务器上跑特定场景的 OCR，回过头来还得折腾 Tesseract 的微调。尤其是那种工业铭牌上的冷门字体，或者医疗处方里那些鬼画符一样的缩写，通用模型识别率真的一言难尽。

要是你想搞个专属模型，别去硬啃那些陈旧的 C++ 源码了。现在主流路径是用 tesstrain 这一套基于 Python 和 Makefile 的工具链，核心逻辑就是合成数据 -> 训练 LSTM 层 -> 导出 .traineddata。

1. 别废话，先搭环境

Tesseract 5.x 之后全面转向 LSTM 了，所以训练也得按这个路子来。你得先装好基础包，最关键的是 tesseract 的开发库和 pango，不然字符渲染都会出问题。

Bash

git clone https://github.com/tesseract-ocr/tesstrain
cd tesstrain
pip install -r requirements.txt
# 确保系统里有 tesseract 5.0+

2. 准备你的“弹药”：地道的数据集

微调 Tesseract 最忌讳拿通用数据集去灌。如果你做工业铭牌，你就去搜集几十种常见的工业黑体、等线体，甚至是一些老旧的打字机字体。

  • 文本语料 (langdata)： 弄一个 line-str.txt。里面别放散文，全是你的垂直业务逻辑。比如医疗处方，你就疯狂塞“阿莫西林”、“500mg”、“TID”这种词。
  • 字体文件： 把对应的 .ttf 或 .otf 扔进 fonts 目录。

3. 生成训练数据（最坑的一步）

Tesseract 训练不是直接喂图片，它需要的是成对的 .tif（图像）和 .box（标注文件）。

用 tesstrain 提供的脚本自动合成：

Bash

make training MODEL_NAME=medical_preset START_MODEL=chi_sim TESSDATA=../tessdata

这里的 START_MODEL 很关键，你是做中文医疗就用 chi_sim 做底座，做英文工业件就用 eng。这叫迁移学习，比你从零开始练要快得多。

4. 这里的几个参数得死磕

在 Makefile 或者命令行参数里，有几个坑你得注意：

  • MAX_ITERATIONS： 别设太大。微调垂直领域，通常几千次迭代（Iterations）就够了。设多了模型就“练废了”，通用识别率掉得亲妈都不认识。
  • LEARNING_RATE： 默认的通常有点高，微调建议压到 0.0001 左右。

5. 验收和导出

训练完你会得到一个 checkpoints 目录。挑一个 BCER（字符错误率）最低的，把它搞成最终的专属模型：

Bash

lstmtraining --stop_training \
  --continue_from checkpoints/medical_preset_checkpoint \
  --traineddata ../tessdata/chi_sim.traineddata \
  --model_output output/medical_ocr.traineddata

把生成的 medical_ocr.traineddata 往你系统的 tessdata 目录一丢，调用的时候指定 -l medical_ocr，你会发现原本识别不出来的医疗缩写，现在稳得一批。

总结一下

这种微调本质上是让 Tesseract 的 LSTM 层“记住”特定的字形和词频。虽然过程比调 API 痛苦，但一旦跑通，那响应速度和离线稳定性是任何大模型比不了的。