使用Tesseract进行交互式边界框OCR

使用OCR引擎进行交互式机器学习辅助标注，加速布局检测、分类和识别模型的注释流程。

Tesseract用于OCR识别，但只需少量调整即可连接其他OCR引擎或模型。

已在Label Studio 1.10.1版本测试通过，支持Label Studio本地文件存储和S3兼容存储的基本功能，并使用MinIO作为示例数据存储。

开始之前

开始之前：

• 确保已安装git
• 确保已安装Docker Compose。对于MacOS和Windows用户，我们建议使用Docker Desktop。

您还必须安装 Label Studio ML backend。

本教程使用tesseract示例。

1. 安装Label Studio

启动Label Studio。您可以按照官方文档中的指南操作，或使用以下命令：

docker run -it \
   -p 8080:8080 \
   -v `pwd`/mydata:/label-studio/data \
   heartexlabs/label-studio:latest

可选地，您可以在Label Studio中启用本地文件服务

docker run -it \
   -p 8080:8080 \
   -v `pwd`/mydata:/label-studio/data \
   --env LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED=true \
   --env LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/label-studio/data/images \
   heartexlabs/label-studio:latest

如果您使用的是本地文件服务，请确保从Label Studio获取API令牌的副本以连接模型。

2. 创建一个Label Studio项目

为Tesseract OCR创建一个新项目。在项目设置中配置标注界面。

请填写以下模板代码。在RectangleLabels中指定smart="true"非常重要。

3. 安装Tesseract OCR

下载Label Studio机器学习后端仓库。

git clone https://github.com/humansignal/label-studio-ml-backend
cd label-studio-ml-backend/label_studio_ml/examples/tesseract

在example.env文件中配置参数：

LABEL_STUDIO_HOST=http://host.docker.internal:8080
LABEL_STUDIO_ACCESS_TOKEN=<optional token for local file access>

AWS_ACCESS_KEY_ID=<set to MINIO_ROOT_USER for minio example>
AWS_SECRET_ACCESS_KEY=<set to MINIO_ROOT_PASSWORD for minio example>
AWS_ENDPOINT=http://host.docker.internal:9000

MINIO_ROOT_USER=<username>
MINIO_ROOT_PASSWORD=<password>
MINIO_API_CORS_ALLOW_ORIGIN=*

根据您的数据导入方式，可能有以下几种配置方案：

本地文件存储

如果您选择使用Label Studio本地文件存储，请确保设置LABEL_STUDIO_HOST和LABEL_STUDIO_ACCESS_TOKEN变量。

S3兼容存储（MinIO或AWS S3）

通过编辑MINIO_ROOT_USER和MINIO_ROOT_PASSWORD变量来配置后端和MinIO服务器，并将AWS_ACCESS_KEY_ID和AWS_SECRET_ACCESS_KEY变量设置为相同的值。您可以选择通过设置这些变量连接到自己的AWS云存储。请注意，您可能需要对tesseract.py文件进行额外的软件修改，以匹配特定的基础设施配置。

注意：如果使用此方法，请从example.env文件中移除LABEL_STUDIO_ACCESS_TOKEN或将其留空。

其他远程存储

如果您将图像托管在任何其他支持http或https访问的公共存储上，请不要更改默认的example.env文件。

4. 启动Tesseract和MinIO服务器

docker compose up

5. 上传任务

如果您使用的是Label Studio本地文件存储选项，可以直接通过Label Studio界面上传图片。

如果您使用MinIO进行任务存储，请登录MinIO控制面板http://localhost:9001。创建一个新的存储桶，记下名称，并将您的任务上传到MinIO。

设置任务的可见性为公开。 本教程不涵盖云存储的进一步配置，您需要根据具体需求自行配置存储。

如果使用MinIO，请前往项目设置中的云存储页面。

通过连接到S3端点http://host.docker.internal:9000添加您的源S3存储，使用上一步中的存储桶名称，以及前几步配置的访问密钥ID和秘密访问密钥。对于MinIO示例，请取消勾选使用预签名URL。检查连接并保存存储配置。

6. 在项目设置中添加模型

在项目设置中，选择模型页面并点击连接模型。

添加URL http://host.docker.internal:9090并将模型保存为ML后端。

7. 交互模式下的标注

要使用此功能，请启用自动标注并使用Autodetect矩形框进行绘制

示例如下：

参考链接：

• https://labelstud.io/blog/improve-ocr-quality-for-receipt-processing-with-tesseract-and-label-studio
• https://labelstud.io/blog/release-130.html