tesstrain.sh 是一個自動呼叫適當程式來為語言建立新訓練的腳本。它使用各種程式進行訓練，因此您需要先用 'make training' 建置它們才能使用。
此頁面詳細說明用於 3.0x 分支訓練的版本。並非所有檔案都是 LSTM 訓練所必需的。
對於 4.0 LSTM 訓練用法，請參閱TrainingTesseract-4.00。
範例用法
$ ./tesstrain.sh --lang kan --langdata_dir /path/to/mylangdata --tessdata_dir /path/to/mytessdata
這是 tesstrain.sh 最常見的用法。請參閱 tesstrain.sh 頂部的註解，以瞭解它接受的所有參數的說明。
Ubuntu 隨附的 tesstrain.sh 副本經過稍微修改，自動填寫了一些預設參數，因為許多目錄位置已標準化。文件位於標準位置。
/usr/share/doc/tesseract/README.debian
此修改可節省一些輸入。這是日語訓練的範例。
git clone https://github.com/tesseract-ocr/langdata.git
apt-get install fonts-noto-cjk fonts-japanese-mincho.ttf fonts-takao-gothic fonts-vlgothic
tesstrain.sh --lang jpn --langdata_dir langdata
Langdata
tesstrain.sh 需要某些檔案才能在訓練過程中使用。這些檔案通常儲存在 'langdata' 目錄中。Tesseract 官方支援的語言的 langdata 都儲存在 langdata 儲存庫中，但您當然可以將 langdata 儲存在任何您想要的位置。
必要檔案
您的 langdata 目錄中至少需要提供以下檔案（請注意 [lang] 是語言代碼，例如 'kan' 或 'eng'）
- [lang]/[lang].training_text (或者，可以在命令列中使用
--training_text /path/to/textfile指定)
選擇性檔案
這些檔案可以選擇性地放在您的 langdata 目錄中，並且 tesstrain.sh 將使用它們來提高訓練品質
- [lang]/[lang].wordlist (或者，可以在命令列中使用
--wordlist /path/to/wordlist指定) - [lang]/[lang].word.bigrams
- [lang]/[lang].numbers
- [lang]/[lang].punc
- [lang]/[lang].config
- [lang]/[lang].unicharambigs
- [lang]/[lang].training_text.bigram_freqs
- [lang]/[lang].training_text.unigram_freqs
一般檔案
這些是一般檔案，可能會影響多種語言，但如果需要，可以編輯（請注意 [Script] 是腳本名稱，例如 'Greek' 或 'Hebrew' 或 'Devanagari'。一個腳本可以用於多種語言，例如，天城文腳本用於印地語、梵語、馬拉地語、尼泊爾語等。）
- [Script].xheights
- [Script].unicharset
- font_properties
可以使用 Nick White 的 xheight 工具來找到不同字體的 xheight。要複製並建置 xheights 工具，請執行以下操作
$ git clone http://ancientgreekocr.org/grctraining.git
$ cd grctraining
$ make tools/xheight
要查看它如何用於希臘語訓練，請執行
$ make langdata/Greek.xheights
Langdata 檔案
training_text
訓練文字是一個文字檔案，將用於訓練 Tesseract 以適應該語言。它應該包含每個字元的幾個樣本，並且盡可能接近真實的文字樣本。
wordlist
字詞清單是一個文字檔案，其中包含一個字詞列表，每行一個字詞，依頻率遞減排序（因此最常見的字詞排在最前面）。
training_text.bigram_freqs
這是一個文字檔案，其中包含一個雙連字（這裡指的是兩個字元）列表，以及它們在 training_text 中彼此相鄰出現的頻率，每行一個雙連字。
training_text.unigram_freqs
這是一個文字檔案，其中包含一個單連字（字元）列表，以及它們在 training_text 中彼此相鄰出現的頻率，每行一個單連字。
word.bigrams
這是一個文字檔案，其中包含一個雙連字（這裡指的是兩個字詞）列表，以空格分隔，每行一個，並依彼此相鄰出現的頻率排序（最常見的在最前面）。
numbers、punc、config、unicharambigs
這些檔案都直接合併到最終的訓練中。請參閱 TrainingTesseract 頁面，以瞭解其功能以及如何使用的詳細資訊。
language-specific.sh 中的選項
您可以選擇性地設定一些訓練選項，以及透過編輯 training/language-specific.sh 腳本來設定語言訓練的預設選項（例如要使用的字體）。
若要為您的語言設定選項，請查看 language-specific.sh 的末尾，其中變數會根據語言代碼設定（set_lang_specific_parameters() 函式）。
字體
您可以將要使用的字體設定為 tesstrain.sh 的參數（如 --fontlist 'Font 1' 'Font 2'），或在 language-specific.sh 中指定字體。
其他選項
對於可以設定的其他變數，您最好閱讀 set_lang_specific_parameters() 函式來了解它們的作用，以及 tesstrain_utils.sh 來了解它們的具體用法。
tesstrain_utils.sh
請注意，tesstrain.sh 所做的大部分工作實際上是從 training/tesstrain_utils.sh 檔案匯入的，因此如果您對它的具體工作方式感到好奇，或者想要更改其行為，請查看該檔案。