Quantas amostras de treinamento preciso?

Use cerca de 100–500 linhas de ground truth para validar o pipeline e confirmar que a abordagem funciona, depois 1.000–5.000 para um modelo de produção. O ajuste fino de um modelo existente precisa de muito menos dados do que treinar do zero.

Devo fazer ajuste fino ou treinar do zero?

Faça ajuste fino de um modelo existente quando o script já for suportado e você só precisar de uma nova fonte ou vocabulário de domínio. Treine do zero apenas para um script genuinamente novo ou um alfabeto muito diferente, e espere precisar de muito mais dados e tempo.

Como sei quando parar o treinamento?

Acompanhe a taxa de erro de caractere (CER) em um conjunto de validação reservado, não a perda de treino. Pare quando o CER de validação parar de melhorar (ou começar a subir), o que indica overfitting. O tesstrain grava checkpoints que você pode avaliar com lstmeval.

Onde coloco o modelo treinado?

Copie o .traineddata gerado para um diretório tessdata e aponte TESSDATA_PREFIX para ele, ou coloque-o junto aos pacotes de idioma. Depois execute tesseract image.png stdout -l myfont.

Treine o Tesseract OCR com fontes e dados próprios (tesstrain, v5)

Q: Posso treinar o Tesseract sem compilar a partir do código-fonte?

Não. As ferramentas de treinamento (tesstrain, text2image, lstmeval) não estão incluídas nos instaladores binários. Você precisa de Linux — nativo ou WSL2 no Windows — com libtesseract-dev e o repositório tesstrain.

TL;DR — ajuste fino de um modelo existente

Se o seu script já é suportado, o ajuste fino é o caminho mais rápido para um modelo melhor.

bash

git clone https://github.com/tesseract-ocr/tesstrain.git
cd tesstrain && make tesseract-langdata
# coloque imagens de linha + .gt.txt em data/myfont-ground-truth/
make training MODEL_NAME=myfont START_MODEL=por

O treinamento não está disponível pelos instaladores binários. Você precisa de Linux ou WSL2. Veja a instalação para compilar a partir do código-fonte.

Árvore de decisão: ajuste fino vs cortar a camada superior vs do zero

Escolher a abordagem certa economiza dias de treinamento desperdiçado.

Abordagem	Use quando	Dados necessários	Tempo
Ajuste fino (`FINETUNE_TYPE=1`)	Mesmo script, nova fonte ou vocabulário de domínio	1.000–5.000 linhas	Horas
Cortar camada superior (`FINETUNE_TYPE=2`)	Mesmo script, glifos claramente diferentes	5.000–20.000 linhas	Horas–dias
Do zero	Novo script ou alfabeto muito diferente	50.000+ linhas	Dias

Comece pela opção mais leve que possa funcionar, avalie e só escale se o CER for inaceitável. A maioria dos problemas de fontes personalizadas se resolve com ajuste fino.

Pré-requisitos

O treinamento exige a compilação a partir do código-fonte, não o binário empacotado.

Um ambiente Linux — nativo ou WSL2 no Windows. macOS não é suportado para treinamento.
git, make, pkg-config, automake e um toolchain C++.
libtesseract-dev e libleptonica-dev (os binários de treinamento linkam contra elas).
O repositório tesstrain, além de langdata_lstm e um modelo inicial do 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   # obtém langdata_lstm + tessdata_best

Preparar o ground truth

O ground truth são imagens de linha emparelhadas com seu texto exato.

O tesstrain espera uma imagem por linha de texto em data/<MODEL_NAME>-ground-truth/, cada uma com um arquivo .gt.txt contendo a transcrição exata. Gere imagens a partir de um arquivo de texto e uma fonte com text2image, e divida textos longos em linhas com split_training_text.py do langdata_lstm.

bash

# Gere imagens de linha a partir de um corpus + uma fonte
text2image --text=corpus.txt \
  --outputbase=data/myfont-ground-truth/myfont \
  --font='Minha Fonte Personalizada' --fonts_dir=/usr/share/fonts \
  --ptsize=14

# text2image também gera arquivos .box; converta-os para .gt.txt
# (tesstrain/training/ tem scripts auxiliares, ou renomeie após verificar)

Quanto de dados: 100–500 linhas para validar o pipeline, 1.000–5.000 para produção. A precisão vem da variedade — fontes, tamanhos, espaçamento e ruído diferentes — mais do que do volume bruto.

Fontes e seleção de unicharset

O conjunto de caracteres precisa cobrir tudo o que o modelo verá.

Instale as fontes de treinamento no ambiente; passe o nome exato da família para --font.
No ajuste fino, mantenha o unicharset do modelo inicial para que a camada de saída corresponda.
Para um novo script, derive o unicharset do seu ground truth para que todos os glifos estejam representados.
Inclua pontuação, dígitos e maiúsculas/minúsculas se os documentos reais os contiverem; caso contrário, o modelo os descartará.

Executar o treinamento

Um único comando conduz todo o pipeline do Makefile.

bash

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

Variável	Significado	Valor típico
`START_MODEL`	Modelo do qual continuar (ajuste fino)	`eng`, `por`…
`TESSDATA_PREFIX`	Diretório que contém o modelo inicial	`../tessdata_best`
`MAX_ITERATIONS`	Limite superior de passos de treinamento	`10000`–`100000`
`LEARNING_RATE`	Tamanho do passo; menor é mais seguro no ajuste fino	`0.0001`–`0.001`
`FINETUNE_TYPE`	`0` do zero, `1` ajuste fino, `2` cortar camada superior	`1`
`NET_SPEC`	Especificação da arquitetura de rede	manter o padrão
`RATIO_TRAIN`	Divisão treino/validação	`0.9`
`TARGET_ERROR_RATE`	Meta de CER para parada antecipada	`0.01`

Checkpoints, stop_training e best vs fast

O tesstrain grava checkpoints periódicos (por exemplo myfont_checkpoint) dos quais você pode avaliar ou retomar.
Crie um arquivo stop_training no diretório de saída para encerrar a execução de forma limpa na próxima iteração.
Converta um checkpoint em um modelo utilizável com combine_tessdata -e / convert_to_int das ferramentas de treinamento.
Modelos best são os mais precisos; fast são menores e mais rápidos. Faça ajuste fino a partir do tessdata_best quando a precisão importar.

Avaliação: taxa de erro de caractere com lstmeval

Julgue o modelo com dados que ele nunca viu no treinamento.

bash

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

Acompanhe o CER em um conjunto reservado. Quando ele para de cair — ou começa a subir enquanto a perda de treino ainda cai — há overfitting; pare e use o checkpoint anterior.

Implantar o modelo treinado

Copie o traineddata, aponte o motor para ele e teste.

bash

# Copie para um diretório tessdata
cp data/myfont.traineddata /usr/share/tesseract-ocr/5/tessdata/
# ou defina um prefixo personalizado
export TESSDATA_PREFIX=/caminho/para/tessdata
tesseract amostra.png stdout -l myfont

Você pode combinar seu modelo com um idioma base, por exemplo -l myfont+por. No Python, passe o mesmo valor ao pytesseract; veja o guia de Python.

Solução de problemas

Sintoma	Causa	Solução
Caixas ruins / ground truth desalinhado	Métricas de fonte incorretas ou imagens de linha grandes demais	Regenere com o `--font` e `--ptsize` corretos; verifique algumas imagens visualmente.
Caracteres ausentes na saída	Caractere ausente do unicharset	Adicione os glifos ao seu ground truth e reconstrua o unicharset.
A perda diverge / NaN	Taxa de aprendizado alta demais	Reduza o `LEARNING_RATE` e retome de um checkpoint anterior.
Sem memória (OOM)	Lote grande demais para a RAM/GPU	Reduza o `BATCH_SIZE`/o tamanho da rede, ou use uma máquina com mais memória.
O CER de validação sobe enquanto a perda cai	Overfitting	Pare mais cedo, adicione ground truth mais variado ou use uma taxa de aprendizado menor.

Perguntas frequentes sobre treinamento

Posso treinar o Tesseract sem compilar a partir do código-fonte?

Não. As ferramentas de treinamento não estão nos instaladores binários; use Linux ou WSL2 com libtesseract-dev e o repositório tesstrain.

Quantas amostras preciso?

Cerca de 100–500 linhas para validar o pipeline e 1.000–5.000 para produção. O ajuste fino precisa de menos do que treinar do zero.

Ajuste fino ou do zero?

Ajuste fino para uma nova fonte ou vocabulário em um script existente; do zero apenas para um script genuinamente novo.

Quando devo parar o treinamento?

Quando o CER de validação para de melhorar, não quando a perda de treino se estabiliza. Essa diferença é overfitting.

Onde fica o modelo?

Copie <MODEL_NAME>.traineddata para um diretório tessdata (ou defina TESSDATA_PREFIX) e execute tesseract image.png stdout -l myfont.

TL;DR — ajuste fino de um modelo existente

Árvore de decisão: ajuste fino vs cortar a camada superior vs do zero

Pré-requisitos

Preparar o ground truth

Fontes e seleção de unicharset

Executar o treinamento

Checkpoints, stop_training e best vs fast

Avaliação: taxa de erro de caractere com lstmeval

Implantar o modelo treinado

Solução de problemas

Perguntas frequentes sobre treinamento

Próximos passos