当前位置：首页 > article >正文

[tesseract]Deserialize header failed: FIRC.lstmf

article 2025/1/12 1:28:43

tesseract5.0训练时候会提示

[INFO]cd /d D:\program\tesseract-ocr-lstm-train\data
[INFO]D:\program\tesseract-ocr-lstm-train\Tesseract-OCR\tesseract.exe xiangjiao.tif xiangjiao -l eng --psm 7 lstm.train
[INFO]Page 1
[INFO]Page 2
[INFO]Deserialize header failed: xiangjiao.lstmf
[INFO]Failed to read training data from xiangjiao.lstmf!
[INFO]Error during processing.

原因分析：psm方式和标注框不对应，查看box文件标注为单字符标注，因此选用7不合适，关于psm详细用法如下：

调用ocr识别：
tesseract [image_path][output_file][-l lang][--psm page_seg_mode][--oem ocr_engine_mode]
[image_path]：需要识别图形路径；
[output_file]：识别结果保存路径；
[-l lang]：语言，也就是字库文件；
[--psm page_seg_mode]：设置页面分割模式；
[--oem ocr_engine_mode]：OCR 引擎模式。

--psm详细解释：
=======================================
0 =仅限方向和脚本检测（OSD）。
1 =使用OSD自动分页。
2 =自动页面分割，但没有OSD或OCR。（未实现）
3 =全自动页面分割，但没有OSD。（默认）
4 =假设一列可变大小的文本。
5 =假设一个垂直对齐文本的统一块。
6 =假设一个统一的文本块。
7 =将图像视为单个文本行。
8 =将图像视为单个单词。
9 =将图像视为圆形中的单个单词。
10 =将图像视为单个字符。
11 =稀疏文本。找到尽可能多的文本，没有特定的顺序。
12 =带OSD的稀疏文本。
13 =原始线。

--oem详细解释：
=======================================
0 =仅原始Tesseract引擎。
1 =神经网络仅限LSTM。
2 =原始Tesseract引擎 + LSTM。
3 =默认，基于可用的内容。

输出结果保存方式：
- alto  - 以ALTO格式输出（OUTPUTBASE.xml）。
- hocr  - 以hOCR格式输出（OUTPUTBASE.hocr）。
- pdf  - 输出PDF（OUTPUTBASE.pdf）。
- tsv  - 输出TSV（OUTPUTBASE.tsv）。
- txt  - 输出纯文本（OUTPUTBASE.txt）。
- get.images  - 将处理后的输入图像写入文件（tessinput.tif）。
- logfile  - 将调试消息重定向到文件（tesseract.log）。
- lstm.train  -  LSTM培训使用的输出文件（OUTPUTBASE.lstmf）。
- makebox  - 写入框文件（OUTPUTBASE.box）。
- quiet  - 将调试消息重定向到/ dev / null。