Tesseract 학습

이 문서는 Tesseract 4.00을 학습시키는 과정을 알아보겠다. Tesseract을 설치해 한국어를 사용하면 결과가 생각보다 잘 안 나올 때가 많다. 인터넷에 찾아보면 주로 아랍어 학습이 많이 나오지만 CJK에 대한 학습은 찾아보기 힘들다. 그래서 한번 한국어 학습을 시켜 정확성을 올릴 수 있는지 실험을 해보기로 했다. 자세한 학습은 tess4korean에서 확인하면 된다.

Tesseract 학습은 Ubuntu 18.04 운영 체제에서 했으며 AI Hub에서 한국어 글자체 이미지 데이터를 받아서 학습했다.

학습 옵션

Tesseract 학습은 3가지로 분류할 수 있다.

1. 튜닝 (Fine tune)
2. 레이어 교체
3. 새로 학습 시키기

학습 절차

학습을 시작하기 전에 Tesseract 학습에 대한 구조를 먼저 이해하면 편하다.

1. 학습을 위해서는 <lang>.<font>.<exp>.tif의 이미지 파일이 필요하다. 여기서 <lang>은 언어, <font>는 글꼴 그리고 <exp>는 순서를 지정해주면 된다. (예시: kor.font1.exp0.tif, kor.font1.exp1.tif, kor.font2.exp0.tif)

2. .box 파일을 만들어 준다. 이 파일 안에는 단어/문장이 있는 위치가 있다. Tesseract 3에서는 각 단어의 박스값들이 필요했지만 Tesseract 4 이후 부터는 각 문장의 박스값만 필요하다. 만약 다수의 문장들이 있으면 박스 파일 안에 새줄이라고 표현해 주어야 한다.

3. unicharset 파일을 만들어야 한다. 이 파일에는 이미지에 있는 중복된 단어들을 제외한 파일들이다.

   • 문장 : 안녕하세요. 안녕히 가세요.
   • unicharset : 안, 녕, 하, 히, 가, 세, 요

4. 위에 파일들을 다 만들면 학습에 필요한 .lstmf 파일을 만든다.

위 4가지를 이해하면 나머지는 Tesseract에서 제공하는 스크립트 파일을 사용하여 학습시키면 된다.

설치 가이드

자세한 학습 내용은 tess4korean을 확인하면 된다. 그러나 학습전에 아래 코드를 실행시켜 Tesseract와 학습에 필요한 패키지를 설치하면 된다.

1. Ubuntu 18.04에는 Leptonica 패키지가 설치되어 있을 것이다. 안되어 있다면 아래 코드를 통해 설치하면 된다.

$ sudo apt-get install libleptonica-dev

2. Tesseract을 설치하고 학습에 필요한 패키지들을 설치한다.

# Tesseract 설치 
$ sudo apt install tesseract-ocr
$ sudo apt install libtesseract-dev

# v.4.1 설치
$ sudo add-apt-repository ppa:alex-p/tesseract-ocr
$ sudo apt-get update
$ sudo apt install tesseract-ocr

# 학습에 필요한 패키지 설치
$ sudo apt-get install libicu-dev libpango1.0-dev libcairo2-dev
$ sudo apt-get install g++ autoconf automake libtool pkg-config libpng-dev libjpeg8-dev libtiff5-dev zlib1g-dev