中文本地 ocr 识别, tesseract 有没有训练好的中文字库?

百度和腾讯云都有 ocr 在线识别。

@wshedu #1 你看清楚楼主说什么了吗……

不存在的，中文识别只有 abbyy 文通和汉王

/s/1c3FuQFQ
不知道能不能用

训练这个东西最好是自己做 除非是标准的印刷体 或者直接像 1 楼说的用云服务不更好

我也有类似的需求，但是都是标准的字体，有没有那种按字体训练好的

@woshichuanqilz @m939594960
如果是标准字体，用 tesseract 3.05 版本，是基于机器学习的方法而不是深度学习，自己准备数据集训练不算难。印刷体可以自己生成对应字体的 tif 文件，人工校对这个工作量不小，真训练过程很快也不难。
4.0 版本是基于 LSTM 的，算是深度学习的方法了，需要的数据集更大也会更慢，而且官方文档写的比较晦涩，需要结合代码和 3.0*的方法一起理解。
现成的，那就是 3 楼推荐的了，花钱买吧。

tesseract 这玩意，做中文识别很淡疼的。针对不同字体训练库最后弄出来很大很大。特别是字体多了之后……

@WispZhan
@lonelygo 发现现实中本地真正能用的中文 OCR 方案就是调用 Onenote 的组件咯。

https://github.com/tesseract-ocr/tessdata
这里有一些训练好的数据

@lonelygo 现在 4.0 还是 alpha 版本，我看了大半天的文档，愣是没看懂怎么训练。

@qwertty01
对的，写的比较晦涩，要结合：
training/tesstrain.sh
和
training/tesstrain_utils.sh
看，熟悉 3.0X 的训练，就好理解了。

4.0 最新的 master，用的这里的已经训练好的字库，https://github.com/tesseract-ocr/tessdata_best
识别率感觉还行。

@faicker 用了, 好一点但是也比较不理想, 谢谢~

请问 windows 下 你们是怎么编译通过的？翻墙？

实测 https://github.com/tesseract-ocr/tessdata_best 的中文训练集较理想，基本满足需求