Combien d'échantillons d'entraînement faut-il ?

Utilisez environ 100–500 lignes de référence pour valider la chaîne et confirmer que l'approche fonctionne, puis 1 000–5 000 pour un modèle de production. Le fine-tuning d'un modèle existant demande bien moins de données que l'entraînement depuis zéro.

Faut-il faire du fine-tuning ou partir de zéro ?

Faites du fine-tuning d'un modèle existant quand l'écriture est déjà prise en charge et que vous n'avez besoin que d'une nouvelle police ou d'un vocabulaire métier. Partez de zéro uniquement pour une écriture réellement nouvelle ou un alphabet très différent, en prévoyant beaucoup plus de données et de temps.

Comment savoir quand arrêter l'entraînement ?

Surveillez le taux d'erreur caractère (CER) sur un ensemble de validation réservé, pas la perte d'entraînement. Arrêtez quand le CER de validation cesse de s'améliorer (ou remonte), ce qui indique un surapprentissage. tesstrain écrit des checkpoints que vous pouvez évaluer avec lstmeval.

Où placer le modèle entraîné ?

Copiez le .traineddata généré dans un répertoire tessdata et pointez TESSDATA_PREFIX dessus, ou placez-le à côté des paquets de langue. Exécutez ensuite tesseract image.png stdout -l myfont.

Entraîner Tesseract OCR sur vos polices et données (tesstrain)

Q: Puis-je entraîner Tesseract sans le compiler depuis les sources ?

Non. Les outils d'entraînement (tesstrain, text2image, lstmeval) ne sont pas inclus dans les installateurs binaires. Il vous faut un environnement Linux — natif ou WSL2 sous Windows — avec libtesseract-dev et le dépôt tesstrain.

En bref — affiner un modèle existant

Si votre écriture est déjà prise en charge, le fine-tuning est le chemin le plus rapide vers un meilleur modèle.

bash

git clone https://github.com/tesseract-ocr/tesstrain.git
cd tesstrain && make tesseract-langdata
# placez les images de ligne + .gt.txt dans data/myfont-ground-truth/
make training MODEL_NAME=myfont START_MODEL=fra

L'entraînement n'est pas disponible via les installateurs binaires. Il vous faut Linux ou WSL2. Voir l'installation pour compiler depuis les sources.

Arbre de décision : fine-tuning vs couper la couche supérieure vs partir de zéro

Choisir la bonne approche fait gagner des jours d'entraînement gaspillé.

Approche	À utiliser quand	Données nécessaires	Temps
Fine-tuning (`FINETUNE_TYPE=1`)	Même écriture, nouvelle police ou vocabulaire métier	1 000–5 000 lignes	Heures
Couper la couche supérieure (`FINETUNE_TYPE=2`)	Même écriture, glyphes nettement différents	5 000–20 000 lignes	Heures–jours
Partir de zéro	Nouvelle écriture ou alphabet très différent	50 000+ lignes	Jours

Commencez par l'option la plus légère qui puisse fonctionner, évaluez, et ne montez en puissance que si le CER est inacceptable. La plupart des problèmes de polices personnalisées se règlent par le fine-tuning.

Prérequis

L'entraînement nécessite la compilation depuis les sources, pas le binaire précompilé.

Un environnement Linux — natif ou WSL2 sous Windows. macOS n'est pas pris en charge pour l'entraînement.
git, make, pkg-config, automake et une chaîne d'outils C++.
libtesseract-dev et libleptonica-dev (les binaires d'entraînement s'y lient).
Le dépôt tesstrain, ainsi que langdata_lstm et un modèle de départ de tessdata_best.

bash

sudo apt update
sudo apt install -y git make automake pkg-config g++ \
  libleptonica-dev libtesseract-dev tesseract-ocr

git clone https://github.com/tesseract-ocr/tesstrain.git
cd tesstrain
make tesseract-langdata   # récupère langdata_lstm + tessdata_best

Préparer les données de référence

Les données de référence sont des images de ligne associées à leur texte exact.

tesstrain attend une image par ligne de texte dans data/<MODEL_NAME>-ground-truth/, chacune accompagnée d'un fichier .gt.txt contenant la transcription exacte. Générez les images à partir d'un fichier texte et d'une police avec text2image, et découpez les longs textes en lignes avec split_training_text.py de langdata_lstm.

bash

# Générez des images de ligne depuis un corpus + une police
text2image --text=corpus.txt \
  --outputbase=data/myfont-ground-truth/myfont \
  --font='Ma Police Personnalisée' --fonts_dir=/usr/share/fonts \
  --ptsize=14

# text2image génère aussi des fichiers .box ; convertissez-les en .gt.txt
# (tesstrain/training/ contient des scripts, ou renommez après vérification)

Quelle quantité : 100–500 lignes pour valider la chaîne, 1 000–5 000 pour la production. La précision vient de la variété — polices, tailles, espacements et bruit différents — plus que du volume brut.

Polices et sélection du unicharset

Le jeu de caractères doit couvrir tout ce que le modèle verra.

Installez les polices d'entraînement dans l'environnement ; passez le nom exact de la famille à --font.
En fine-tuning, conservez le unicharset du modèle de départ pour que la couche de sortie corresponde.
Pour une nouvelle écriture, dérivez le unicharset de vos données de référence afin que chaque glyphe soit représenté.
Incluez ponctuation, chiffres et majuscules/minuscules si les documents réels les contiennent ; sinon le modèle les abandonnera.

Lancer l'entraînement

Une seule commande pilote tout le pipeline Makefile.

bash

make training \
  MODEL_NAME=myfont \
  START_MODEL=fra \
  TESSDATA_PREFIX=../tessdata_best \
  MAX_ITERATIONS=10000

Variable	Signification	Valeur typique
`START_MODEL`	Modèle à partir duquel continuer (fine-tuning)	`eng`, `fra`…
`TESSDATA_PREFIX`	Répertoire contenant le modèle de départ	`../tessdata_best`
`MAX_ITERATIONS`	Limite supérieure des étapes d'entraînement	`10000`–`100000`
`LEARNING_RATE`	Pas d'apprentissage ; plus petit est plus sûr en fine-tuning	`0.0001`–`0.001`
`FINETUNE_TYPE`	`0` de zéro, `1` fine-tuning, `2` couper la couche supérieure	`1`
`NET_SPEC`	Spécification de l'architecture réseau	laisser par défaut
`RATIO_TRAIN`	Répartition entraînement/validation	`0.9`
`TARGET_ERROR_RATE`	Cible de CER pour l'arrêt précoce	`0.01`

Checkpoints, stop_training et best vs fast

tesstrain écrit des checkpoints réguliers (par ex. myfont_checkpoint) que vous pouvez évaluer ou reprendre.
Créez un fichier stop_training dans le répertoire de sortie pour terminer proprement l'exécution à l'itération suivante.
Convertissez un checkpoint en modèle utilisable avec combine_tessdata -e / convert_to_int des outils d'entraînement.
Les modèles best sont les plus précis ; les fast sont plus petits et plus rapides. Affinez depuis tessdata_best quand la précision compte.

Évaluation : taux d'erreur caractère avec lstmeval

Jugez le modèle sur des données qu'il n'a jamais vues.

bash

lstmeval --model data/myfont_checkpoint \
  --traineddata ../tessdata_best/fra.traineddata \
  --eval_listfile data/myfont-ground-truth/eval_files.txt

Suivez le CER sur un ensemble réservé. Quand il cesse de baisser — ou remonte alors que la perte d'entraînement continue de chuter — il y a surapprentissage ; arrêtez et utilisez le checkpoint précédent.

Déployer le modèle entraîné

Copiez le traineddata, pointez le moteur dessus et testez.

bash

# Copiez dans un répertoire tessdata
cp data/myfont.traineddata /usr/share/tesseract-ocr/5/tessdata/
# ou définissez un préfixe personnalisé
export TESSDATA_PREFIX=/chemin/vers/tessdata
tesseract echantillon.png stdout -l myfont

Vous pouvez combiner votre modèle avec une langue de base, par ex. -l myfont+fra. En Python, passez la même valeur à pytesseract ; voir le guide Python.

Dépannage

Symptôme	Cause	Solution
Boîtes incorrectes / données de référence mal alignées	Métriques de police incorrectes ou images de ligne trop grandes	Régénérez avec le bon `--font` et `--ptsize` ; vérifiez quelques images à l'œil.
Caractères manquants dans la sortie	Caractère absent du unicharset	Ajoutez les glyphes à vos données de référence et reconstruisez le unicharset.
La perte diverge / NaN	Taux d'apprentissage trop élevé	Réduisez `LEARNING_RATE` et reprenez depuis un checkpoint antérieur.
Mémoire insuffisante (OOM)	Lot trop grand pour la RAM/GPU	Réduisez `BATCH_SIZE`/la taille du réseau, ou utilisez une machine avec plus de mémoire.
Le CER de validation monte alors que la perte baisse	Surapprentissage	Arrêtez plus tôt, ajoutez des données de référence plus variées ou utilisez un taux d'apprentissage plus faible.

Questions fréquentes sur l'entraînement

Puis-je entraîner Tesseract sans le compiler depuis les sources ?

Non. Les outils d'entraînement ne sont pas dans les installateurs binaires ; utilisez Linux ou WSL2 avec libtesseract-dev et le dépôt tesstrain.

Combien d'échantillons faut-il ?

Environ 100–500 lignes pour valider la chaîne et 1 000–5 000 pour la production. Le fine-tuning demande moins que l'entraînement depuis zéro.

Fine-tuning ou partir de zéro ?

Fine-tuning pour une nouvelle police ou un vocabulaire dans une écriture existante ; partir de zéro uniquement pour une écriture réellement nouvelle.

Quand arrêter l'entraînement ?

Quand le CER de validation cesse de s'améliorer, pas quand la perte d'entraînement se stabilise. Cet écart est le surapprentissage.

Où placer le modèle ?

Copiez <MODEL_NAME>.traineddata dans un répertoire tessdata (ou définissez TESSDATA_PREFIX) et exécutez tesseract image.png stdout -l myfont.

En bref — affiner un modèle existant

Arbre de décision : fine-tuning vs couper la couche supérieure vs partir de zéro

Prérequis

Préparer les données de référence

Polices et sélection du unicharset

Lancer l'entraînement

Checkpoints, stop_training et best vs fast

Évaluation : taux d'erreur caractère avec lstmeval

Déployer le modèle entraîné

Dépannage

Questions fréquentes sur l'entraînement

Étapes suivantes