给 AI 装上"眼睛"：TextRecognitionDataGenerator 如何批量生产 OCR 训练数据

在 OCR（光学字符识别）模型的训练过程中，数据不足一直是困扰开发者的核心难题。真实场景的文字图片获取成本高、标注工作量大，而且很多场景（票据、手写体、多语言混杂）的样本本身就极为稀缺。一个法国的 ML 工程师 Edouard Belval 在训练自己的 OCR 模型时，同样被这个问题卡住了脖子——他没有足够多的多样化文字图片来喂饱他的模型。

于是，他做了一个开发者会做的决定：自己动手，丰衣足食。他写了一个 Python 脚本，能够随机生成任意文本内容、字体、背景、噪声的文字图片。这个最初用来解决自己问题的小工具，在 2017 年左右被整理开源后，迅速成为 OCR 领域最受欢迎的数据合成工具之一——它就是 TextRecognitionDataGenerator（以下简称 trdg），目前已斩获超过 3600 颗 GitHub Stars，fork 数超过 1000 次。

打个比方：如果把 OCR 模型比作一个正在学认字的孩子，trdg 就相当于一本超级练习册——这本练习册可以无限量生成各种字迹、各种纸张、各种污渍的文字图片，让孩子反复练习，直到认字又快又准。

它能做什么：五步生成一张"以假乱真"的文字图片

trdg 的核心逻辑非常清晰：随机选一段文本 → 选一个字体 → 写到某种背景上 → 叠加各种"真实感"效果 → 输出图片和标注。以下是它支持的主要能力：

1. 多语言文本生成

trdg 内置了覆盖全球主要语言的词典文件，包括拉丁语系（英、法、德、西等）、中文（简体/繁体）、日语、韩语、泰语、阿拉伯语、印地语、越南语等在内的 130+ 种语言。用户只需指定语言代码（如 -l cn 生成中文，-l ja 生成日语），即可批量生成对应语种的文字图片。

2. 多样化字体支持

每种语言的字体放在独立的子目录中：fonts/latin、fonts/cn、fonts/ko、fonts/ja、fonts/th、fonts/ar。trdg 自带了 Aller、Lato、Roboto、OpenSans、Raleway 等数十种开源字体文件，用户也可以自行添加任何 .ttf 字体文件来扩展字库。生成时脚本会随机选取字体，确保输出的图片字体风格多样。

3. 图像效果叠加

这是 trdg 最核心的差异化能力。通过丰富的参数组合，可以模拟真实世界中文字图片的各种退化情况：

效果类型	参数	说明
文字倾斜	-k, -rk	随机角度斜切，模拟拍照透视变形
模糊	-bl, -rbl	高斯模糊，模拟老旧扫描件
扭曲	-d, -do	波浪/正弦扭曲，模拟纸张卷曲
背景	-b	4种背景：噪声白(0)、纯白(1)、准晶体(2)、图片背景(3)
描边	--stroke_width	文字轮廓描边，增加厚重感
颜色	-tc	文字颜色范围，如 #000000,#FFFFFF
字间距	--character_spacing	控制字符间距
手写体	-hw	调用 TensorFlow 手写模型生成手写风格图片

4. 手写体合成（实验性）

-hw 参数会调用一个预训练的 TensorFlow 手写生成模型（基于 Grzego/handwriting-generation），生成看起来真实的手写文字图片。注意：使用此功能需要安装 TensorFlow，其他场景不需要。

5. 多 Generator 编程接口

除了命令行，trdg 还提供 Python API，支持集成到训练 pipeline 中：

from trdg.generators import GeneratorFromDict, GeneratorFromRandom, GeneratorFromStrings, GeneratorFromWikipedia

generator = GeneratorFromStrings(
    ['Test1', 'Test2', 'Test3'],
    blur=2,
    random_blur=True
)

for img, lbl in generator:
    # 直接处理 Pillow Image 对象
    pass

四种 Generator 的区别在于文本来源：从词典随机选 / 从内置词典选 / 从自定义字符串列表 / 从维基百科文章中提取。

部署： pip 一行搞定，Docker 镜像开箱即用

trdg 的部署极其简单，提供了三种方式：

方式一：pip 安装（推荐）

pip install trdg

安装后直接使用 trdg 命令行工具，零配置开箱即用。

方式二：GitHub 源码安装

git clone https://github.com/Belval/TextRecognitionDataGenerator
cd TextRecognitionDataGenerator
pip install -r requirements.txt

方式三：Docker 容器

docker pull belval/trdg:latest
docker run -v /output/path/:/app/out/ -t belval/trdg:latest trdg [args]

Docker 方式适合在无 Python 环境的服务器上快速部署，数据通过 volume 挂载读写。

硬件需求：纯 CPU 运行，不需要 GPU。推荐 2GB RAM + 1GB 磁盘空间即可运行。

代码架构：模块化设计，职责清晰

trdg 的代码结构简洁明了，核心模块如下：

模块	职责
data_generator.py	图片生成主逻辑，串联所有子模块
computer_text_generator.py	渲染普通印刷体文字
handwritten_text_generator.py	生成手写字（TensorFlow）
background_generator.py	生成背景（噪声/纯色/准晶体/图片）
distorsion_generator.py	文字扭曲（正弦/波浪/随机）
string_generator.py	文本字符串生成（词典/随机/Wikipedia）
generators/	四种 Python API Generator 类
dicts/	130+ 语言的词典文件
fonts/	按语言分类的 TTF 字体文件

生成流程：用户传入参数 → string_generator 选文本 → computer_text_generator 用 PIL 渲染 → 叠加 skewing/blur/distorsion → background_generator 合成背景 → data_generator 组合输出。

这种模块化设计使得每种效果都可以独立调整或替换，非常适合二次开发。

局限与争议：不是什么场景都能用

尽管 trdg 功能强大，但它也存在一些局限，使用时需要心里有数：

1. 合成的"真实感"有上限 trdg 生成的是通过规则叠加效果模拟真实退化，而真实的 OCR 应用场景（老旧档案扫描、车牌识别、街景文字）退化模式更为复杂多样。在这些场景下，合成数据只能作为数据增强的补充，而非完全替代真实数据。

2. 字体版权风险 trdg 自带的数十种字体中，部分商业字体可能存在许可限制。在商业项目中集成使用时，建议替换为明确开源授权的字体（如 Google Fonts 系列）。

3. 手写体功能需要 TensorFlow 1.x 手写体生成依赖的 TensorFlow 模型是较老的 1.x 版本，与当前主流的 TF2.x 环境不兼容。如果只需要印刷体生成，可以忽略这个功能。

4. 多行文本支持有限 trdg 主要针对单词/短语级别的图片生成，对多行段落或复杂版面的支持较为薄弱。

行业意义：数据民主化的一个小工具

trdg 的出现，体现了一个重要的趋势：数据合成正在成为 AI 民主化的关键基础设施之一。在传统观念里，高质量训练数据是科技大公司的专利，中小团队只能望洋兴叹。而 trdg 这类工具证明了：只要理解了数据的生成规律，很多场景的数据瓶颈是可以被"工程化"解决的。

从技术演进角度看，trdg 代表的合成数据方法与当下火热的"世界模型生成合成数据"趋势一脉相承——都在试图用规则或模型生成更多、更丰富的训练样本，而非被动等待真实数据的积累。

如果你正在训练一个 OCR 模型，或正在研究场景文本检测（Scene Text Detection），trdg 值得作为数据管道的第一个组件纳入你的技术选型。

---

效果示例

以下是 trdg 生成效果的实际样张（所有图片均来自官方仓库 samples/ 目录，已验证 HTTP 200 可访问）：

手写体效果（-hw）： 图1：手写体合成 — 调用 TensorFlow 模型生成的手写风格文字

图2：手写体多样化 — 不同手写风格和角度的文字图片

模糊效果（-bl -rbl）： 图3：高斯模糊0 — 清晰对照基准

图4：高斯模糊1 — 模拟分辨率不足的扫描效果

中文文字生成： 图5：繁体中文渲染 — 简繁体中文支持

图6：简体中文渲染 — 中文场景文本训练数据

背景叠加效果： 图7：图片背景模式 — 在真实图片背景上叠加文字

图8：准晶体纹理背景 — 几何纹理背景增加真实感

扭曲效果： 图9：波浪扭曲 — 模拟纸张卷曲造成的文字变形

图10：正弦扭曲 — 不同方向的波浪扭曲效果