-
Notifications
You must be signed in to change notification settings - Fork 2.1k
New issue
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
Fraktur: Ligatures ch, ck, ſz #102
Comments
Which traineddata file did you use with Tesseract4?
Which version of Tesseract4? Commit number or version info?
ShreeDevi
…____________________________________________________________
भजन - कीर्तन - आरती @ http://bhajans.ramparivar.com
On Thu, Jun 14, 2018 at 12:57 PM jbarth-ubhd ***@***.***> wrote:
Dear reader,
I've randomly selected 20 three-line-snippets [image: snippets, input as
separate images]
<https://camo.githubusercontent.com/47ac160cf86bb8f69fe98677112e5597a46da3ed/687474703a2f2f646967692e75622e756e692d68656964656c626572672e64652f6469676c6974446174612f762f6162627979313172382d76732d746573736572616374342e6a7067>
into tesseract, and it seems to me that tesseract4 has problems with
ch/ck/ſz ligatures and sometimes misinterprets O/D and S/G.
These ligatures had been available also on fraktur typewriters(!) and
occur very often in fraktur german.
here is the output of Abbyy11(r8) and Tesseract4:
a11: Und eine Stelle dieser Engpässe hat große Aehnlichkeit mit
a11: dem Hirschsprunge im Höllenthal. Allein, die Felsen- und
a11: Waldpartien sind unmalerisch zerrissen; das Thalbette bleibt in
ta4: Und eine Stelle dieſer Engpäſſe hat große Aehnlichkeit mit
ta4: dem Hirſ<ſprunge m HMenthal. Allein die Felſen Und
ta4: Waldpartien ſind unmaleriſch zerriſſen; das Thalbette bleibt in
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: Die Karlsburg war ein Prachtbau im damaligen Sinne,
a11: an welchen der Markgraf ganz bedeutende Summen gewendet.
a11: Gleichwohl hatte er noch Mittel genug, um zur völligen Her-
ta4: Die Karlsburg war ein Prachtbau im damaligen Sinne,
ta4: an welchen der Markgraf ganz bedeutende Summen gewendet,
ta4: Gleichwohl hatte er no< Mittel genug, um zur völligen Her-
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: Da müssen nun die gleichzeitigen Geschichtsschreiber, Mathe-
a11: matiker, Philosophen und Dichter, von mehr als 300 Jahren zu
a11: Rath gezogen und die Archive durchsucht werden; für die frühsten
ta4: Da müſſen nun die gleichzeitigen Geſchichtsſchreiber, Mathe-
ta4: matifer, Philoſophen und Dichter, von mehr als 300 Jahren zu
ta4: Rath gezogen und die Archive durchſucht werden; für die frühſten
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: So und ähnlich lauten Tausende begeisterte
a11: Anerkennungen dankbarer Aundinnen.—-war-
a11: um grämen Sie sich also noch, wenn auch Sie
ta4: So und ähnlih lauten Tauſende begeiſterte
ta4: Anerkennungen dankbarer Kundinnen. — War-
ta4: um grämen Sie ſi< alſo no<, wenn au< Sie
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: eine Ausgleichsgebühr von 4,50 Mark;
a11: Wochenende kam man auch hier meist bis
a11: entgegen. Das Gleiche trifft auch für
a11: aber gegen
a11: auf 4 Mark
a11: Magdeburg-
ta4: eine Ausgleichsgebühr ' von 4,50 Mark; aber gegen
ta4: Wodhenende kam man auch ‘hier meiſt bis auf 4 Mark
ta4: entaegen. Das Gleiche trifft au< für Magadebura-
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: Der Kellner brachte das Essen. Der Jugend
a11: schmeckte es. Jürgen schob Ilse die besten Stücke
a11: zu, und sie schob sie ihm lachend wieder zurück. Else
ta4: Der Kellner brachte das Eſſen. Der Iugend
ta4: ſ<hmed>te es. Jürgen {hob Ilſe die beſten Stücke
ta4: zu, und ſie {hob ſie ihm lachend wieder zurüd>. Elſe
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: «Wie sehr auch die Abwesenheit der Farbe die Beurteilung dieser Malerei beengt, so ist doch wohl durch keine Farbe eine
a11: Wirkung derartiger Malerei denkbar, welche die Worte Meier-Graefes rechtfertigte: ,Der Neoimpressionismus ist schöner,
a11: größer und göttlicher selbst als die kirchliche Tradition."
ta4: „Wie ſehr auch die Abweſenheit der Farbe die Beurteilung dieſer Malerei beengt, ſo iſt do< wohl durch keine Farbe eine
ta4: Wirkung derartiger Malerei denkbar, welhe die Worte WMeier=Graefes rechtfertigte: Der Neoimpreſſioni8mus iſt ſ{öner,
ta4: größer und göttlicher ſelbſt als die kirhlihe Tradition. ““
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: Was finge ich rumber von der zil,
a11: Du mir so kleine sroide git?
a11: Nkir fink die blümen und der kle^
ta4: Was ſinge i< tumber von der zit,
ta4: -Dù mir ſo Éleine fróide git? -
ta4: Miir ſint die blumen und dec kle,
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: * In Kurhessen wieverholen sich die unangenehmsten
a11: Verhältnisse im raschesten Wechsel! Dem ehemaligen Obergerichts-
a11: rath v. Haynau wurde allerhöchst die Genehmigung zum Doziren
ta4: * Jn Kurheſſen wiederholen ſi{< die unangenchmſten
ta4: Verhältniſſe im raſcheſten Wechſel ! Dem ehemaligen Obergerichts-
ta4: rath v. Haynau wurde allerhöchſt die Genehmigung zum Doziren
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: chischen Wappenschild ander Brust des Adlers bey der sechsten
a11: auch aus Versehen, nicht erkläret worden. Ich halte aber dafür daß sel-
a11: bige ^L0k>OlDllä 1. Leopold der erste, heisere
ta4: <hiſhen Wappenſchild an der Bruſt -des Adlers bey der ſechſten medaille,
ta4: auch aus Verſehen, nicht erkläret worden. Jh halte aber dafür daß ſel-
ta4: bige LEOPOLDLUIS 1, Leopoid der erſte, heiſen.
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: Im dritten Laden bot mir der gewandte Verkäufer
a11: das neueste Lubersche Lexikon an. Neunzehn Bände mit
a11: Eichenholzregal und Schnitzwerk im Stile der Antike.
ta4: Im dritten Laden bot mir der gewandte Verkäufer
ta4: das neueſte Huberſche Lexikon an. Neunzehn Vände mit
ta4: Eichenholzregal und Schnitzwerk im Stile der Antike.
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: Zteiu die Andre Rundung uütt den Zwelff bimlischeu
a11: Zechen, so in blauen feltt gemahlt, vndt weisset die Tag
a11: vndt Nachtlenge; geht Sieben büchlein gollt drauff, duht
ta4: JZtem die Andre Ründung mitt den Zwelff himliſchen
ta4: Zechen, ſo in blauen feltt gemahlt, vndt weiſſet die Tag
ta4: Vndt Nachtlenge; geht Sieben büchlein gollt drauff, duht
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: welches in der Stephanskirche in Karlsruhe sich befindet. Lots
a11: ist zwar in Durlach geboren, aber er stammte von Gondelsheiin i
a11: Kraichgau, weshalb sein Werk hier genannt wird.
a11: 3 L--
ta4: welches in der Stephansfirhe in Karlsruhe ſi< befindet. Lotſ <<
ta4: “iſt zwar in Durlach geboren, aber er ſtammte von GondelSheim im
ta4: Kraichgau, we8halb ſein Werk hier genannt wird.
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: gesättigt, aäs. (Hiitt.), heißt eine Salzsvle dann, wenn
a11: sie so viel Salz enthält, als das Wasser aufgelöst zu er-
a11: halteil vermag; ähnlich erklärt sich die Bezeichnung g. bei
ta4: geſúttigt, adj. (Hütt.), heißt eine Salzſöle dann, wenn
ta4: ſie ſo viel Salz enthält, als das Waſſer aufgelöſt zu er-
ta4: halten vermag; ähnlich erklärt ſich die Bezeichnung g. bei
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: OA. Spaichingen 885,6 m; und endlich Bitz, OA. Balingen
a11: 883,0 m. (Die angegebenen Ziffern beziehen sich stets auf die
a11: Erdfläche am Kirchthurm und auf den Horizont der geognostischen
ta4: DA Spaichingen 3885/6: und end Bi OM Balingen
ta4: 883,0 m. (Die angegebenen Ziffern beziehen ſih ſtets auf die
ta4: Erdfläche am Kirhthurm und auf den Horizont der geognoſtiſchen
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: So viele Besucher wie in diesen Tagen hat das
a11: Reichsehrenmal wohl noch nie gesehen. Fast sind
a11: es zu viele. Rund um den Sockel in der Mitte
ta4: So viele Beſucher wie in dieſen Tagen hat das
ta4: Reichsehrenmal wohl noch nie geſéhen. Faſt ſind
ta4: es zu viele. Rund um den So>el in der Mitte
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: .... Als wir am 14. nach Mailand kamen, begann
a11: ein schrecklicher Platzregen, und aus dem Platz- ward ein
a11: Land-, und das dauerte bis zu unserer Rückfahrt am 16.
ta4: «+++ Als wir am 14. nah Mailand kamen, begann
ta4: ein ſchre>licher Plabregen, und aus dem Plab- ward ein
ta4: Land-, und das dauerte bis zu unſerer Rückfahrt am 16.
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: Einer derselben wünschte Pulver zu kaufen; der Laden-
a11: diener nahm deshalb den ganzen in einem kupfernen
a11: Kessel aufbewahrten Vorrath (etwa 70 Pfd.) hervor,
ta4: Einer derſelben wünſchte Pulver zu kaufen; der Laden-
ta4: diener nahm deshalb den ganzen in einem kupfernen
ta4: Keſſel aufbewahrten Vorrath (etwa 70 Pfd.) hervor,
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: Leon Battistas Liebe zur Natur ist aber nicht allein feurig,
a11: sondern auch wahr und unmittelbar empfunden. Sie beruht ans
a11: einer stannenswerthen Kenntniß derselben und einem überaus
ta4: Leon Battiſtas Liebe zur Natur iſt aber nicht allein feurig,
ta4: fondern auch wahr und unmittelbar empfunden. Sie beruht auf
ta4: einer ſtaunenswerthen Kenntniß derſelben und einem überaus
- - - - - - - - - - - - - - - - - - - - - - - - -
a11: Sofort nach Eintreten der Dunkelheit verliehen mir
a11: die vorderste Stellung und arbeiteten uns trotz zahl-
a11: reicher feindlicher Leuchtkugeln langsam an das An-
ta4: Gofort nach Eintreten der Dunkelheit verließen wir
ta4: die vorderſte Gtellung und arbeiteten uns troß zahl-
ta4: reicher feindliher Leuchtkugeln langſam an das Un-
—
You are receiving this because you are subscribed to this thread.
Reply to this email directly, view it on GitHub
<#102>, or mute the thread
<https://github.com/notifications/unsubscribe-auth/AE2_oxaKmteA-ganXNOSL2aAmG0J1ofZks5t8hBygaJpZM4UncTA>
.
|
Tesseract: commit 51ebf8a21e47f52761357ed43bcaef6875075a11 |
Thanks for the info.
Have you also tried with traineddata files from tessdata_best and
tessdata_fast repositories?
…On Thu, Jun 14, 2018 at 1:51 PM jbarth-ubhd ***@***.***> wrote:
Tesseract: commit 51ebf8a21e47f52761357ed43bcaef6875075a11
tessdata: commit f1d12682c0f1afe61db892f4b2bfaa7909ad7a59
Fraktur.traineddata:
sha256sum=29a867a25f1b00a5e9827356582515619d5102688bc1d14015789c78941116ee
—
You are receiving this because you commented.
Reply to this email directly, view it on GitHub
<#102 (comment)>,
or mute the thread
<https://github.com/notifications/unsubscribe-auth/AE2_o60IVPX2aickOrcsvQvd5LyJ991Kks5t8hzygaJpZM4UncTA>
.
|
Ok... Fraktur.traineddata from https://github.com/tesseract-ocr/tessdata/tree/3a94ddd47be01fd897cbe31f05cbd2301454cf8a/best is already sha256sum=29a867a25f1b00a5e9827356582515619d5102688bc1d14015789c78941116ee |
Inferred by the name, I would by assume that tessdata_fast would produce inferior results(?) |
tessdata_fast has the last set of files uploaded by Ray/Jeff and for many
languages these have been updated to handle issues listed at that time.
There is NO conclusive list as to which languages are improved in it.
Hence, the only method is to try them all.
…On Thu, Jun 14, 2018 at 2:05 PM jbarth-ubhd ***@***.***> wrote:
Inferred by the name, I would by assume that tessdata_fast would produce
inferior results(?)
—
You are receiving this because you commented.
Reply to this email directly, view it on GitHub
<#102 (comment)>,
or mute the thread
<https://github.com/notifications/unsubscribe-auth/AE2_o_WAWjRAM3sFMBOxXEs1o8sO4Y5Oks5t8iBKgaJpZM4UncTA>
.
|
.odt file updated. ch/ck problem persists. Sometimes _fast is better than _best, sometimes worse. |
Instead of using |
@jbarth-ubhd, did you convert upper case S to lower case s in your result file? It does not include any S, neither from ABBYY nor from Tesseract. There is also no ß character in the same file. Could you provide the original ABBYY result? |
@stweil: edited inital comment to link with to zip containing tiff snippets (with resolution) and abbyy11+tesseract4 original output |
@stweil: yes, Libreoffice did also replace ß+S to s when searching for ſ and replacing with s. Updated zip and replaced tesseract output ſ with s (using sed), so S stays original. |
@stweil: thanks for suggesting »frk«. Without counting errors, it feels somewhat better. Still heavy problems with ch +ck ligature:
|
If you have the ground truth for these images, I would like to add a test
for accuracy for Fraktur using them. Thanks.
…On Mon, Jun 18, 2018 at 12:20 PM jbarth-ubhd ***@***.***> wrote:
@stweil <https://github.com/stweil>: thanks for suggesting »frk«.
Without counting errors, it feels somewhat better. Still heavy problems
with ch ligature:
***@***.***:~/workspace/abbyy-vs-tesseract> perl auto-wdiff.sh tessdata_best_frk_f1d12682c0f1afe61db892f4b2bfaa7909ad7a59
=== manual/badenia1860_1862_-_354.txt ===
Und eine Stelle dieser Engpässe hat große Aehnlichkeit mit
dem [-Hiricmsprunge-] {+Hirschsprunge+} im [-Hsslenihal. "Allein-] {+Höllenthal. Allein,+} die Felsen- [-119-] {+und+}
Waldpartien sind unmalerisch [-zerrissenz-] {+zerrissen;+} das Thalbette bleibt in
=== manual/badenia1860_1862_-_491.txt ===
Die Karlsburg war ein Prachtbau im damaligen Sinne,
an welchen der Markgraf ganz bedeutende Summen [-gewendet,-] {+gewendet.+}
Gleichwohl hatte er [-no<-] {+noch+} Mittel genug, um zur völligen Her-
=== manual/boisseree1862bd1_-_175.txt ===
Da müssen nun die gleichzeitigen [-Geschichtös<hreiber,-] {+Geschichtsschreiber,+} Mathe-
[-matifer,-]
{+matiker,+} Philosophen und Dichter, von mehr als 300 Jahren zu
Rath gezogen und die Archive durchsucht werden; für die frühsten
=== manual/frauenwarte1935_1936_-_0700b.txt ===
So und [-ähnli-] {+ähnlich+} lauten Tausende begeisterte
Anerkennungen dankbarer Kundinnen. [-=--] {+-+} War-
um grämen Sie [-sic)-] {+sich+} also [-noh,-] {+noch,+} wenn auch Sie
=== manual/hnn1936_-_057_11.txt ===
eine [-Ausgleich8gebühr-] {+Ausgleichsgebühr+} von 4,50 Mark; aber gegen
Wochenende kam man [-au "hier-] {+auch hier+} meist bis auf 4 Mark
entgegen. Das [-Gleiche-] {+gleiche+} trifft [-auh.-] {+auch+} für [-Maadebura--] {+Magdeburg-+}
=== manual/hnn1936_-_069_Feierstunde_12_03.txt ===
Der Kellner brachte das Essen. Der [-Iugend
scH<me&te-] {+Jugend
schmeckte+} es. Jürgen schob Ilse die besten [-Stüke-] {+Stücke+}
zu, und sie [-sc<ob-] {+schob+} sie ihm lachend wieder [-zurüF,-] {+zurück.+} Else
=== manual/kunstwart_kulturwart26_2_-_152b.txt ===
[-„Wie-]{+"Wie+} sehr auch die Abwesenheit der Farbe die Beurteilung dieser [-Walerei-] {+Malerei+} beengt, so ist [-doch)-] {+doch+} wohl [-durc<-] {+durch+} keine [-Farbe-] {+Farbei+} eine
Wirkung derartiger [-Walerei-] {+Malerei+} denkbar, [-wel<he-] {+welche+} die Worte [-Weier=Graefes-] {+Meier-Graefes+} rechtfertigte: [-„Der Neoimpressioni8mus-] {+'Der Neoimpressionismus+} ist schöner,
größer und göttlicher selbst als die [-kir<hlihe Tradition.““-] {+kirchliche Tradition.'"+}
=== manual/malk1809_-_429.txt ===
Was singe [-im-] {+ich+} tumber von der zit,
[--Duü-]
{+Dù+} mir so kleine [-fröide gier? -
Mär-] {+froide git?
Mir+} sint die [-blümen-] {+blumen+} und der kle,
=== manual/mannheimer_anzeiger1858_-_040_01.txt ===
* In Kurhessen wiederholen [-si-] {+sich+} die [-unangenchmsten-] {+unangenehmsten+}
Verhältnisse im raschesten Wechsel ! Dem ehemaligen Obergerichts-
rath v. Haynau wurde allerhöchst die Genehmigung zum Doziren
=== manual/medaillen1737_-_00_429.txt ===
[-<ischen-]{+chischen+} Wappenschild an der [-Brust.des-] {+Brust des+} Adlers bey der sechsten medaille,
auch aus Versehen, nicht erkläret worden. [-Jh-] {+Ich+} halte aber dafür daß sel-
bige LEOPOLDUS [-1,-] {+I,+} Leopold der erste, heisen.
=== manual/meggendorfer100_-_075.txt ===
Im dritten Laden bot mir der gewandte Verkäufer
das neueste Hubersche Lexikon an. Neunzehn Bände mit
Eichenholzregal und Schnitzwerk im Stile der Antike.
=== manual/mitthdschloss1_-_201.txt ===
Item die [-Andre-] {+Andere+} Ründung mitt den Zwelff himlischen
Zechen, so in blauen feltt gemahlt, [-vndt-] {+undt+} weisset die Tag
[-Yndt-]
{+Undt+} Nachtlenge; geht Sieben büchlein gollt drauff, duht
=== manual/mone1889bd18_-_217.txt ===
welches in der [-Stephansfkirche-] {+Stephanskirche+} in [-Karl3ruhe-] {+Karlsruhe+} sich befindet. Lotsch
ist zwar in Durlach geboren, aber er stammte von [-Gonde/Sheim-] {+Gondelsheim+} im
Kraichgau, [-weShalb-] {+weshalb+} sein Werk hier genannt wird.
=== manual/mothes1882bd2_-_428.txt ===
gesättigt, adj. (Hütt.), heißt eine Salzsole dann, wenn
sie [-[o-] {+so+} viel Salz enthält, als das Wasser aufgelöst zu er-
halten vermag; ähnlich erklärt sich die Bezeichnung g. bei
=== manual/oab_balingen1880_-_302.txt ===
[-DA.-]{+OA.+} Spaichingen 885,6 [-m ; nD enim DB, DMV Daltingen-] {+m; und endlich Bitz, OA. Balingen+}
883,0 m. (Die angegebenen Ziffern beziehen sich [-stet8-] {+stets+} auf die
[-Erdsläche-]
{+Erdfläche+} am [-Kirc<thurm-] {+Kirchthurm+} und auf den Horizont der geognostischen
=== manual/olympia_zeitung1936_-_066.txt ===
So viele Besucher wie in diesen Tagen hat das
Reichsehrenmal wohl noch nie gesehen. Fast sind
es zu viele. Rund um den Sockel in der Mitte
=== manual/rjbkp1840_-_080.txt ===
[-«+++-]{+....+} Als wir am 14. nach Mailand kamen, [-begann-] {+bagann+}
ein [-schreklicher Plaßregen,-] {+schrecklicher Platzregen,+} und aus dem [-Plaß--] {+Platz-+} ward ein
Land-, und das dauerte bis zu unserer Rückfahrt am 16.
=== manual/schwetzinger_wochenblatt1863_-_021_3.txt ===
Einer derselben wünschte Pulver zu kaufen; der Laden-
diener [-nahm. deShalb-] {+nahm deshalb+} den ganzen in einem kupfernen
Kessel aufbewahrten Vorrath (etwa 70 Pfd.) hervor,
=== manual/springer1886bd1_-_000_274.txt ===
Leon Battistas Liebe zur Natur ist aber nicht allein feurig,
sondern auch wahr und unmittelbar empfunden. Sie beruht auf
einer [-staunenSwerthen-] {+staunenswerthen+} Kenntniß derselben und einem [-Überaus-] {+überaus+}
=== manual/wehrmacht1936_1937_-_20_12.txt ===
[-Gofort-]{+Sofort+} nach Eintreten der Dunkelheit verließen wir
die vorderste Stellung und arbeiteten uns trotz zahl-
reicher [-feindlicßer-] {+feindlicher+} Leuchtkugeln langsam an das Un-
—
You are receiving this because you commented.
Reply to this email directly, view it on GitHub
<#102 (comment)>,
or mute the thread
<https://github.com/notifications/unsubscribe-auth/AE2_o_jJLNv-YYgk7yOBcTrHlPnbtb2pks5t9026gaJpZM4UncTA>
.
--
____________________________________________________________
भजन - कीर्तन - आरती @ http://bhajans.ramparivar.com
|
ground truth (manually transcripted utf8-text) is in the zip file (first comment), directory /manual/ |
@jbarth-ubhd, may we use that image extracts and text samples freely without any restrictions (CC0)? A free license is required before @Shreeshrii can add them as a test case. |
Please see http://www.morscher.com/3r/fonts/fraktur.htm Many Fraktur fonts are not fully unicode compliant and use non-standard mappings. For example:
If training was done using these fonts or using texts encoded in these fonts, that could be the cause of confusion. |
Yes, that could explain some of the problems seen with the Fraktur traineddata. Therefore it is important to have a well documented open training process. It would be good to know at least the fonts and scripts used for training at Google. |
@stweil: images in zip are CC0. |
@jbarth-ubhd Thank you. I looked at the manual transcription and there seem to be some differences (related to s) in it compared to the images and tesseract's OCR results. So, I can't compare it directly for accuracy - may require some correction. I will post later with an example. |
I had made a manual transcription, too, and will compare it with that provided by @jbarth-ubhd. Making a really error-free transcription is surprisingly difficult, but the mix of our common efforts should be quite good. :-) I expect to upload it later today, maybe tomorrow. |
Here is the delta of my transcription (with long ſ converted to lower case s):
My transcription is available from https://digi.bib.uni-mannheim.de/~stweil/fraktur-gt.zip. |
Thank you. I will rerun the tests.
I have them on a different git branch than the one where I am running
training and don't know about using multiple git branches simultaneously.
I had also done a test finetune training for ch/ck for Fraktur. Will see
whether that improves the results.
…On Wed, Jun 20, 2018 at 1:44 AM Stefan Weil ***@***.***> wrote:
Here is the delta of my transcription (with long ſ converted to lower case
s):
diff --rec -u manual/frauenwarte1935_1936_-_0700b.txt gt-s/frauenwarte1935_1936_-_0700b.txt
--- manual/frauenwarte1935_1936_-_0700b.txt 2018-06-18 08:06:20.000000000 +0200
+++ gt-s/frauenwarte1935_1936_-_0700b.txt 2018-06-19 21:56:54.488689046 +0200
@@ -1,3 +1,3 @@
So und ähnlich lauten Tausende begeisterte
-Anerkennungen dankbarer Kundinnen. - War-
+Anerkennungen dankbarer Kundinnen.–War-
um grämen Sie sich also noch, wenn auch Sie
diff --rec -u manual/hnn1936_-_057_11.txt gt-s/hnn1936_-_057_11.txt
--- manual/hnn1936_-_057_11.txt 2018-06-18 08:06:52.000000000 +0200
+++ gt-s/hnn1936_-_057_11.txt 2018-06-19 21:52:53.508672164 +0200
@@ -1,3 +1,3 @@
eine Ausgleichsgebühr von 4,50 Mark; aber gegen
Wochenende kam man auch hier meist bis auf 4 Mark
-entgegen. Das gleiche trifft auch für Magdeburg-
+entgegen. Das Gleiche trifft auch für Magdeburg-
diff --rec -u manual/kunstwart_kulturwart26_2_-_152b.txt gt-s/kunstwart_kulturwart26_2_-_152b.txt
--- manual/kunstwart_kulturwart26_2_-_152b.txt 2018-06-18 08:08:34.000000000 +0200
+++ gt-s/kunstwart_kulturwart26_2_-_152b.txt 2018-06-19 21:54:15.142032907 +0200
@@ -1,3 +1,3 @@
-"Wie sehr auch die Abwesenheit der Farbe die Beurteilung dieser Malerei beengt, so ist doch wohl durch keine Farbei eine
-Wirkung derartiger Malerei denkbar, welche die Worte Meier-Graefes rechtfertigte: 'Der Neoimpressionismus ist schöner,
+„Wie sehr auch die Abwesenheit der Farbe die Beurteilung dieser Malerei beengt, so ist doch wohl durch keine Farbe eine
+Wirkung derartiger Malerei denkbar, welche die Worte Meier-Graefes rechtfertigte: ,Der Neoimpressionismus ist schöner,
größer und göttlicher selbst als die kirchliche Tradition.'"
diff --rec -u manual/mannheimer_anzeiger1858_-_040_01.txt gt-s/mannheimer_anzeiger1858_-_040_01.txt
--- manual/mannheimer_anzeiger1858_-_040_01.txt 2018-06-19 22:06:33.162334885 +0200
+++ gt-s/mannheimer_anzeiger1858_-_040_01.txt 2018-06-19 21:54:22.406153992 +0200
@@ -1,3 +1,3 @@
* In Kurhessen wiederholen sich die unangenehmsten
-Verhältnisse im raschesten Wechsel ! Dem ehemaligen Obergerichts-
+Verhältnisse im raschesten Wechsel! Dem ehemaligen Obergerichts-
rath v. Haynau wurde allerhöchst die Genehmigung zum Doziren
diff --rec -u manual/medaillen1737_-_00_429.txt gt-s/medaillen1737_-_00_429.txt
--- manual/medaillen1737_-_00_429.txt 2018-06-18 08:10:52.000000000 +0200
+++ gt-s/medaillen1737_-_00_429.txt 2018-06-19 21:54:25.678208534 +0200
@@ -1,3 +1,3 @@
chischen Wappenschild an der Brust des Adlers bey der sechsten medaille,
auch aus Versehen, nicht erkläret worden. Ich halte aber dafür daß sel-
-bige LEOPOLDUS I, Leopold der erste, heisen.
+bige LEOPOLDUS I. Leopold der erste, heisen.
diff --rec -u manual/mitthdschloss1_-_201.txt gt-s/mitthdschloss1_-_201.txt
--- manual/mitthdschloss1_-_201.txt 2018-06-18 09:34:27.000000000 +0200
+++ gt-s/mitthdschloss1_-_201.txt 2018-06-19 22:04:18.552091083 +0200
@@ -1,3 +1,3 @@
Item die Andre Ründung mitt den Zwelff himlischen
-Zechen, so in blauen feltt gemahlt, undt weisset die Tag
-Undt Nachtlenge; geht Sieben büchlein gollt drauff, duht
+Zechen, so in blauen feltt gemahlt, vndt weisset die Tag
+Vndt Nachtlenge; geht Sieben büchlein gollt drauff, duht
My transcription is available from
https://digi.bib.uni-mannheim.de/~stweil/fraktur-gt.zip.
—
You are receiving this because you were mentioned.
Reply to this email directly, view it on GitHub
<#102 (comment)>,
or mute the thread
<https://github.com/notifications/unsubscribe-auth/AE2_o1gOaS-D3Ee_JoWxy3AJ6BpV26p2ks5t-VusgaJpZM4UncTA>
.
--
____________________________________________________________
भजन - कीर्तन - आरती @ http://bhajans.ramparivar.com
|
My testing shows better results with finetuned model at Please give it a try. |
Thank you @Shreeshrii. That's a good example which shows that there still is much more room for improvements of Tesseract OCR - one of the reasons why I would love to have language and script models which can be reproduced by everybody. |
So would we all :-) Any update regarding the langdata for 4.0.0. Also, Are the float models for the traineddata files in tessdata_fast available? |
I have posted the files used for finetuning the Fraktur model for German. Please see These can be modified further by Fraktur experts. I will run the accuracy tests again and post results later. |
Looks like the earlier training that I had done has better results than the one posted today:
|
Added a new traineddata at https://github.com/Shreeshrii/tessdata_fraktur @stweil I have tried to add ~ and §. Please check with your testset. Thanks! |
Jochen, a new model for Fraktur which I trained last week delivers significantly better results. Maybe you want to give it a try. Please note that this new model currently does not include a dictionary (so you will get a warning). |
Related news: https://read.transkribus.eu/2019/08/23/general-model-for-fraktur-released/
|
Maybe @ONB-RD can share the ground truth data which was used to train Transcribus. Then it could be used for training with Tesseract and other Open Source OCR software as well. |
@jbarth-ubhd, these transcriptions need to be fixed (Tesseract OCR result was correct):
The normalized output from my Fraktur model from August still has these differences to the fixed ground truth:
The OCR results "froͤide", "blümen" and "Salzsöle" are better than the manual transcription. |
That data is now available and used for Fraktur training with Tesseract. See https://github.com/tesseract-ocr/tesstrain/wiki/AustrianNewspapers. |
Dear reader,
I've randomly selected 20 three-line-snippets zip with tiff snippets, abbyy11r8 and tesseract4 original output into tesseract, and it seems to me that tesseract4 has problems with ch/ck/ſz ligatures and sometimes misinterprets O/D and S/G.
These ligatures had been available also on fraktur typewriters(!) and occur very often in fraktur german.
here is the output of Abbyy11(r8) and Tesseract4 with errors highlighted manually:use auto-wdiff.sh {directory} to show differenceslink to odt file
The text was updated successfully, but these errors were encountered: