'ٹیزرکٹ' کے سا تھ آف لائن اردو او سی آر
دوست
محفلین
لینکس ورچول مشین سیٹ اپ کر لی ہے اور اس پر بھی وہی ایرر آنے کی وجہ سے اب متعلقہ ویب سائٹ پر ایک عدد ایشو کھول دیا ہے شاید اس مسئلہ کا کوئی حل نکل آئے۔
فلسفی
محفلین
مجھے کچھ اس قسم کا ایرر OCR-D والے سکرپٹ میں آیا تھا۔ تو ایک پوسٹ پڑھ کر پائتھون کے سکرپٹ میں یوٹی ایف کو شامل کیا تو مسئلہ حل ہو گیا تھا۔ شاید یہ بھی اسی سے متعلق ہو
کوڈ:
# encoding=utf8
import sys
reload(sys)
sys.setdefaultencoding('utf8')جاسم محمد
محفلین
گمان تھا کہ ایسا شاید ممکن نہیں
دوست
محفلین
دائیں سے بائیں زبان کے کیریکٹر بھی بائیں سے دائیں ہونے چاہئیں۔ حوالہ
ایک: کہیں ہم یہ امیجز غلط تو نہیں بنا رہے؟
دو: او سی آر ڈی کا سیٹ اپ کافی غیر لچکدار لگ رہا ہے، ہمیں شاید اردو کی ٹرینڈ ڈیٹا فائل اٹھا کر اس سے شروع کرنا چاہیئے۔
تین: ایک عدد ٹریننگ ڈیٹا فائل بن جانی چاہیئے، جس میں unicharset وغیرہ ڈیفائن ہو۔ یہ پرانی ٹرینڈ ڈیٹا فائل سے نکالا جا سکتا ہے۔ اور اس میں مزید اضافہ وغیرہ کیا جا سکتا ہے، پچھلا کام کرنے والوں نے وکی پیڈیا سے ڈیٹا اٹھایا تھا اور وہ عربی رسم الخط کی زبانوں سے واقف نہیں۔
ایک: کہیں ہم یہ امیجز غلط تو نہیں بنا رہے؟
دو: او سی آر ڈی کا سیٹ اپ کافی غیر لچکدار لگ رہا ہے، ہمیں شاید اردو کی ٹرینڈ ڈیٹا فائل اٹھا کر اس سے شروع کرنا چاہیئے۔
تین: ایک عدد ٹریننگ ڈیٹا فائل بن جانی چاہیئے، جس میں unicharset وغیرہ ڈیفائن ہو۔ یہ پرانی ٹرینڈ ڈیٹا فائل سے نکالا جا سکتا ہے۔ اور اس میں مزید اضافہ وغیرہ کیا جا سکتا ہے، پچھلا کام کرنے والوں نے وکی پیڈیا سے ڈیٹا اٹھایا تھا اور وہ عربی رسم الخط کی زبانوں سے واقف نہیں۔
ناصر محمود 313
محفلین
اس کی بجائے یہ ڈیٹا استعمال ہو گا نئے ورژن (4) میں لیکن شاید ابھی اس کی بنیاد پر ٹریننگ نہیں کی گئی ۔ نیز اس میں بھی سابقہ مسائل موجود ہیں۔
ناصر محمود 313
محفلین
tesstrain.sh سے بننے والی ٹف فائل میں بھی اردو امیجز میں متن حسب معمول دائیں سے بائیں ہی ہوتا ہے۔ میں نے اس طریقے سے کوشش کی تھی ٹریننگ تو نہیں ہوئی البتہ ٹف اور باکس فائلیں جنریٹ ہو گئی تھیں۔
دوست
محفلین
سوال یہ ہے کہ 4200 پھیروں کے بعد (10000 تک ہوتے ہیں عموماً) بدترین کیریکٹر ایرر 95 فیصد ہے۔ کیا گڑبڑ ہے۔ٹیس ٹرین والے طریقے میں یونیکوڈ کیریکٹرز کی حد بھی بتاتے ہیں کسی سب فائل میں، دائیں سے بائیں زبان بتانے کا ایک آپشن بھی تھا۔
اگر امیجز ایسے ہی ہیں تو باکس فائل الٹ بنی ہو گی۔ اگر پروگرام سٹرنگ کو بائیں سے دائیں پڑھے اور پھر لائن امیج کو بائیں سے دائیں پڑھے، یہ تو اُلٹ ہے۔
اگر امیجز ایسے ہی ہیں تو باکس فائل الٹ بنی ہو گی۔ اگر پروگرام سٹرنگ کو بائیں سے دائیں پڑھے اور پھر لائن امیج کو بائیں سے دائیں پڑھے، یہ تو اُلٹ ہے۔
ناصر محمود 313
محفلین
جی بھائی باکس فائل الٹ ہے، ابھی دیکھا تو پہلی لائن کے آخری کریکٹر کی انفارمیشن سب سے پہلےدی گئی ہے۔ پھر اس سے پچھلے کی ۔۔۔ ۔۔۔
ناصر محمود 313
محفلین
ٹیس ٹرین سے مہر نستعلیق اور پیامی نستعلیق کی مدد سے ڈیٹا بنانے کی کوشش کی تھی اس طرح جنریٹ ہونے والی ٹف اور باکس فائلیں یہ ہیں۔ اگر چہ ان میں دونوں فونٹ بہت حد تک بولڈ ہیں۔
جاسم محمد
محفلین
ریختہ ڈاؤنلوڈر (گوگل او سی آر)سے بھی اردو متن بائی ڈیفالٹ لیفٹ ٹو رائٹ جنریٹ ہوتا ہے لفظ لیول پر۔
ناصر محمود 313
محفلین
ایک طریقہ تو یہ ہے جس میں ورک فلو کچھ بہتر طریقے سے بتایا گیا ہے۔ میں نے اوبنٹو کے آفیشل ٹیسیریکٹ کے ساتھ یہ طریقہ کرنے کی کوشش کی لیکنlstm.train والی فائل ٹیس ٹرین کو نہ مل سکی نتیجے میں ٹرین ڈیٹا والی فائل نہ بن سکی۔
دوست
محفلین
unicharset ضروری ہے، یہ انگریزی اور عربی کے لیے تو ہے، اردو کے لیے نہیں ہے۔ صبح اس پر بات کرتے ہیں۔ بنیادی طور پر ٹیسرکٹ تین کی باکس فائلوں سے یہ بنے گی (ٹولز بھی تین کے ساتھ ہی آتے ہیں اسے بھی انسٹال کرنا ہو گا)۔ لیکن ڈیٹا میں سارے کیریکٹرز بشمول اردو ہندسے اعراب، مذہبی علامات، رموزِ اوقاف سب کی موجودگی یقینی بنانا ہو گی۔
اس کے بعد اگلے مرحلے میں کمپریسڈ یونی کریسٹ بنے گی۔
ایک ورڈ لسٹ بھی مہیا کرنی ہے جو بنا کر اپلوڈ کر دوں گا۔
آفیشل ٹیوٹوریل میں موجود سارے لوازمات پورے کر کے سکریچ سے ماڈل ٹرین ہو گا۔
جگاڑ لگانے والا کام ختم، انشاءاللہ ۔
اس کے بعد اگلے مرحلے میں کمپریسڈ یونی کریسٹ بنے گی۔
ایک ورڈ لسٹ بھی مہیا کرنی ہے جو بنا کر اپلوڈ کر دوں گا۔
آفیشل ٹیوٹوریل میں موجود سارے لوازمات پورے کر کے سکریچ سے ماڈل ٹرین ہو گا۔
جگاڑ لگانے والا کام ختم، انشاءاللہ ۔