企业官网建设流程全解析

如何用 lstmeval 配合 --traineddata 评估 Tesseract 的 LSTM 训练检查点

【免费下载链接】tesseractTesseract Open Source OCR Engine (main repository)项目地址: https://gitcode.com/GitHub_Trending/te/tesseract

用 Tesseract 的lstmtraining训练 LSTM 网络时，通常不想等训练全部结束才判断效果，而是需要检查训练输出目录里已经产生的中间检查点。lstmeval就是 Tesseract 为 LSTM 网络提供的独立评估程序：输入一个模型（识别模型或训练检查点）加一份 lstmf 文件列表，输出该模型在评估集上的错误率。关键限制是：当--model给的是训练检查点而不是可直接使用的识别模型时，必须同时给出--traineddata，而且它必须是训练时交给 trainer 的那个 starter traineddata 文件。按 man page 记载，lstmeval自 tesseract 4.00.00alpha 起可用。

准备条件：检查点、starter traineddata 与评估列表文件

运行评估前需要凑齐三样东西，缺一都会导致程序直接报错退出：

1. 模型文件。可以是识别模型（如lang.lstm），也可以是训练检查点。doc/lstmeval.1.asc 的 synopsis 把--model的合法形式写为'lang.lstm|modelname_checkpoint|modelname_N.NN_NN_NN.checkpoint'，并明确说明 "Intermediate training checkpoints can also be used"（中间训练检查点也可以使用）。如果按 doc/lstmtraining.1.asc 示例中的--model_output 'train_output_dir/newlstmmodel'训练，检查点就按newlstmmodel_N.NN_NN_NN.checkpoint的命名落在该输出目录里。
2. starter traineddata，即lstmtraining --traineddata当时指定的文件。man page 对--traineddata的表述是：若模型是训练检查点，"traineddata must be the traineddata file that was given to the trainer"，给错文件评估结果没有意义。
3. 评估列表文件，即--eval_listfile指向的文本文件，内容为 lstmf 格式样本文件的路径清单（man page："File listing sample files in lstmf training format."），实现上按行读取文件名（见 src/training/unicharset/lstmtester.cpp）。

可选分支：生成 lstmf 评估样本。手头没有 lstmf 文件时，可以用tesseract配合仓库自带的lstm.train配置生成。doc/tesseract.1.asc 说明该配置的作用是 "Output files used by LSTM training ('OUTPUTBASE'.lstmf)"，即执行

tesseract image.png base lstm.train

会生成base.lstmf。该配置文件位于 tessdata/configs/lstm.train，内容是一组参数设置，其中包含tessedit_train_line_recognizer T等开启训练数据输出的项。生成多个.lstmf后，把路径逐行写入一个文本文件作为评估列表。

另外，lstmeval属于随源码构建的训练工具集：Makefile.am 中trainingtools += lstmeval$(EXEEXT)，构建 Tesseract 源码后即可获得该可执行文件。

执行 lstmeval 评估命令

man page synopsis 给出的完整形式是：

lstmeval --model 'lang.lstm|modelname_checkpoint|modelname_N.NN_NN_NN.checkpoint' \ [--traineddata lang/lang.traineddata] --eval_listfile 'lang.eval_files.txt' \ [--verbosity N] [--max_image_MB NNNN]

代入检查点场景、并按 doc/lstmtraining.1.asc 示例中的路径写法，实际命令形如：

lstmeval --model 'train_output_dir/newlstmmodel_N.NN_NN_NN.checkpoint' \ --traineddata 'train_output_dir/lang/lang.traineddata' \ --eval_listfile 'train_output_dir/lang.eval_files.txt'

各参数的用途与适用条件：

• --model：必选。模型文件路径（训练或识别）。检查点文件名中的N.NN_NN_NN是 man page 中的占位形式，需替换为训练输出目录中实际的检查点文件名；train_output_dir、lang.lang.traineddata、lang.eval_files.txt沿用的是两份 man page 示例中的路径，同样替换为你训练时的实际路径。
• --traineddata：当--model是训练检查点时必选，必须是交给 trainer 的那个 traineddata；若--model是识别模型（如lang.lstm），则不需要该参数。
• --eval_listfile：必选，lstmf 文件清单。
• --verbosity：0–2，默认 1，控制诊断输出量。
• --max_image_MB：图像使用的最大内存（MB），默认 2000。

如何判读评估结果

评估成功时，最终输出一行结果，格式来自 src/training/unicharset/lstmtester.cpp 中RunEvalSync的实现（lstmeval以 iteration 0、stage 0 调用，因此不会出现迭代前缀）：

BCER eval=43.500, BWER eval=76.600

以上数值仅为格式示例，不是预期值。BCER 对应代码中累计的字符级错误（ET_CHAR_ERROR），BWER 对应词级错误（ET_WORD_RECERR），均以百分比表示，固定 3 位小数。由于同一检查点每次评估用的是同一份列表文件，把多个检查点依次用同一--eval_listfile跑一遍，比较 BCER/BWER 的走向，就能观察训练过程中错误率的变化趋势。

--verbosity决定逐样本细节的多少（由实现代码可确认）：

• 0：只输出最终的 BCER/BWER 行；
• 1（默认）：对识别不完美（result != PERFECT）的样本额外打印Truth:与OCR两行对照，可直接看到哪一行认错了；
• 2：所有样本都打印对照行，识别不完整的样本还会附上逐行的 BCER/BWER。

排查：错误消息的出处与含义

lstmeval的所有提示信息都在 src/training/lstmeval.cpp 中，可以按消息逐一定位：

两种非报错的特殊输出也值得注意：反序列化失败时输出Deserialize failed（模型数据与训练配置不匹配时会走到这里）；列表文件能加载但总页数为 0 时输出No test data at iteration 0，说明列表里没有可用的评估页，需要检查 lstmf 文件本身。

与训练过程中的评估的关系

lstmtraining自身也接受--eval_listfile（见 doc/lstmtraining.1.asc），训练过程中会定期对评估集做评估。lstmeval提供的是一条独立路径：不重跑训练，单条命令即可检查输出目录中任意一个中间检查点，两者使用同一形式的评估列表文件。检查完检查点后，若确认某轮效果可用，后续操作回到lstmtraining的续训选项（--continue_from等），本文不再展开。

【免费下载链接】tesseractTesseract Open Source OCR Engine (main repository)项目地址: https://gitcode.com/GitHub_Trending/te/tesseract