mns-tesseract

mns-tesseract

Дообученный языковой пакет Tesseract для мансийского языка
Базируется на официальной модели rus.traineddata (Tesseract 5) и дообучен на специализированном корпусе сканов со шрифтами размера 12–26 pt.

---

Информация о модели

• Имя: mns-tesseract
• Базовая модель: rus.traineddata (Tesseract 5)
• Размер шрифтов обучения: 12, 14, 24, 26 pt
• Кол-во шрифтов: 40 (список потом)
• Данные для дообучения:
  • TIFF-изображения (.tif) с аннотациями в формате .box
  • Генерация LSTM-тренировочных примеров через:

    for f in /app/data/ground-truth_other/*.tif; do
      tesseract "$f" "${f%.tif}" -l mns --psm 6 lstm.train
    done
    

• Конфигурация PSM: оптимально --psm 6 для строкового OCR.

---

Использование

1. Установка
   Скопируйте mns.traineddata в каталог tessdata (C:\Program Files\Tesseract-OCR\tessdata или /usr/share/tesseract-ocr/5/tessdata).

2. Запуск OCR

   tesseract <image> <output> -l mns --oem 1 --psm 11
   

   Пример:

   tesseract images/toc.png images/toc -l mns --psm 11 pdf
   pdftotext -layout images/toc.pdf images/toc.txt
   

3. Поддерживаемые форматы
   JPEG, TIFF, PNG, BMP и др.

---

Предобработка для качества

• Удалите фон (thresholding или adaptiveThreshold).
• Уберите шум (медианный фильтр, морфологические операции).
• Повысите контраст и яркость.

---

Ограничения

• Шрифты вне диапазона 12–26 pt распознаются хуже.
• Модель обучена на кириллице; латинские буквы могут распознаваться некорректно.

---

Ресурсы

• Tesseract Command-Line Usage
• Training Tesseract 5

---

Лицензия

Apache 2.0