TesseractはPythonからオープンソースで使えるOCRエンジンで、テッセラクトと読むらしい。とりあえずインストールしたらサクッとOCRを試せるみたいなのでやってみる。
こちらの記事を参考にした。
Tesseract+PyOCRで簡易OCRを試してみる - Qiita
とりあえずOCRをしてみる
まずはインストールする。brewで一発。
$ brew install tesseract
デフォルトでは日本語対応していないので、日本語の学習データを手動で入れる。
データは三種類のリポジトリが用意されている。
- tessdata_bestは最も精度が高いデータ
- tessdata_fastはたぶん最も速度が速いデータ
- tessdataは通常のデータ
Data Files · tesseract-ocr/tesseract Wiki · GitHub
ひとまずtessdataで試してみることにする。
GitHub - tesseract-ocr/tessdata
GitHubリポジトリ内のjpn.traineddataをダウンロードする。
学習データ置き場を確認する。ここで合ってるぽい。4.1.0の部分はtesseractのバージョンが入るので各自の環境で異なります。
ls /usr/local/Cellar/tesseract/4.1.0/share/tessdata configs eng.traineddata osd.traineddata pdf.ttf snum.traineddata tessconfigs
学習データを移動します。
$ mv ~/Downloads/jpn.traineddata /usr/local/Cellar/tesseract/4.1.0/share/tessdata
この画像をOCRしてみます。
$ tesseract text.png result Tesseract Open Source OCR Engine v4.1.0 with Leptonica Warning: Invalid resolution 0 dpi. Using 70 instead. Estimating resolution as 175
ふむ。日本語が有効になっていないようだ。
$ cat result.txt Type Belk CHS Db LNB 123. BUDABS, RHRUVKLVE RH
オプションが必要みたい。
$ tesseract text.png result -l jpn Tesseract Open Source OCR Engine v4.1.0 with Leptonica Warning: Invalid resolution 0 dpi. Using 70 instead. Estimating resolution as 175
ふーむ。とんでもないポンコツ具合である。これだと使いものにならなそう。
$ cat result.txt Type 我 華 は 殖 で あ る か も し れ な い ⑫③。 あ い う え お S、&⑧ 楽 し い 楽 し い 夏 会 み
日本語のOCR精度を上げる
色々調べてみるとTesseract4からはLSTMになって精度が上がっているらしい。
だがしかし、すでに4系が入っていた。
$ tesseract -v tesseract 4.1.0 leptonica-1.78.0 libgif 5.1.4 : libjpeg 9c : libpng 1.6.37 : libtiff 4.0.10 : zlib 1.2.11 : libwebp 1.0.3 : libopenjp2 2.3.1 Found AVX2 Found AVX Found SSE
そういえば、学習データには精度が高い版があったはず。そっちを試してみる。同様にリポジトリからjpn.traineddataをダウンロードしてくる。
ファイルを移動する。
$ mv ~/Downloads/jpn.traineddata /usr/local/Cellar/tesseract/4.1.0/share/tessdata
OCRしてみる。
~/Desktop ❯❯❯ tesseract text.png result -l jpn ✘ 1 Tesseract Open Source OCR Engine v4.1.0 with Leptonica Warning: Invalid resolution 0 dpi. Using 70 instead. Estimating resolution as 175
だいぶ改善した。我輩の「輩」以外は正しく認識されている(このスペースどうにかなんねえかな)。
$ cat result.txt Type 我 斉 は 猫 で ある か も し れ な い 123。 あい うえ お $、&& 楽 し い 楽 し い 夏 休み
ついでに、jpn_vert.traineddataというのも見つけたのでよくわからんが試してみる。
同様にファイルを移動しておく(コマンド割愛)。
$ tesseract text.png result -l jpn_vert Tesseract Open Source OCR Engine v4.1.0 with Leptonica Warning: Invalid resolution 0 dpi. Using 70 instead. Estimating resolution as 175
なんじゃこりゃあああ。
$ cat result.txt っoo洪映再庶わっWeyジせてさや きいSuい>トおe 9の湯漁てS光謀
ちょっとだけ検索してみたが、jpn_vert.traineddataの用途はわからないままだった。
まとめ
サクッとOCRができる点が良かった。精度もまあ用途によっては使えるのではないだろうか。
あと学習はLSTMなのでFine Tuning(転移学習)ができる。ので、固有の学習データを追加で学習してあげれば、うまいこと使えるのではないだろうか。
