correct workflow

site/de/models.md

@@ -0,0 +1,50 @@
+# OCR-Modelle
+
+Für die Texterkennung wird ein geeignetes OCR-D-Modul und ein dazu passendes
+Sprach-/Schriftmodell benötigt. Diese Seite gibt einen Überblick über die
+wichtigsten Modelle und Modell-Repositorien.
+
+## ocrd-tesserocr-recognize
+
+Dieses Modul verwendet Tesseract 4.1 oder neuer für die Texterkennung. Tesseract benötigt
+Sprach- oder Schriftmodelle. Dies sind Dateien in einem speziellen Format. Sie enthalten
+mindestens eine Liste mit dem bekannten Zeichensatz ("unicharset") und das neuronale Netz
+für die Texterkennung ("lstm"), optional auch noch Wörterbücher ("wordlist") und weitere Komponenten.
+Sprachmodelle sind im Zeichensatz und im Wörterbuch auf eine Sprache (z. B. deu = deutsch) beschränkt.
+Schriftmodelle enthalten einen umfangreicheren Zeichensatz und Wörterbücher aus mehreren Sprachen mit
+der gleichen Schrift (z. B. Latin = lateinische Schrift mit englisch, deutsch, französisch,
+spanisch, italienisch, ...).
+
+Für Tesseract gibt es mehr als 100 Sprach- und Schriftmodelle, die von Google erzeugt ("trainiert")
+wurden. Daneben gibt es aber auch noch weitere Modelle von anderen Anbietern, und man kann auch eigene
+Modelle entweder komplett neu oder auf Basis vorhandener Modelle erstellen. Eigenes Training wird durch
+`tesstrain` gut unterstützt.
+
+Die Modelle von Google gibt es jeweils in drei Varianten:
+
+[`tessdata_fast`](https://github.com/tesseract-ocr/tessdata_fast) Diese Variante wird auch von den meisten
+Linux-Distributionen angeboten und ist besonders schnell bei der Texterkennung. Sie verwendet neuronale Netzwerke.
+[`tessdata_best`](https://github.com/tesseract-ocr/tessdata_best) Diese Variante braucht deutlich mehr Zeit bei der
+Texterkennung, kann aber im Einzelfall(nicht generell!) bessere Ergebnisse liefern. Sie verwendet neuronale Netzwerke.
+Eigenes Training neuer Modelle auf Basis vorhandener Modelle setzt ebenfalls diese Variante voraus.
+[`tessdata`](https://github.com/tesseract-ocr/tessdata) Diese Variante ist ähnlich schnell wie tessdata_fast, enthält
+aber zusätzlich zu den neuronalen Netzwerken auch noch die musterbasierte Zeichenerkennung von Tesseract 3.
+Man kann damit also zwei unterschiedliche Texterkennungsmethoden kombinieren, was in Einzelfällen zu besseren Ergebnissen
+führen kann.
+
+### Schrift- und Sprachmodelle für historische Drucke
+Die folgenden Modelle für Tesseract gibt es:
+
+`deu_frak` Älteres Sprachmodell für deutsche Fraktur. Dieses Modell war mit Tesseract 3 gebräuchlich,
+ist aber heute nicht mehr zu empfehlen.
+`deu` Sprachmodell für deutsche Antiqua, das aber auch etwas Fraktur erkennen kann.
+`frk` Sprachmodell für deutsche Fraktur, das aber auch etwas Antiqua erkennen kann.
+`Latin` Schriftmodell für lateinische Antiqua-Schriften, das aber auch etwas Fraktur erkennen kann.
+`Fraktur` Schriftmodell für Fraktur-Schriften, das aber auch Antiqua-Schriften ganz gut erkennt. Fehler beim
+Erzeugen dieses Modells haben zur Folge, dass es kein Paragraphzeichen kennt und die Ligaturen `ch` und `ck`
+häufig als Kleiner- und Größerzeichen "erkennt".
+
+Weitere Frakturmodelle. Ausgehend von Fraktur sind mit Hilfe von [GT4HistOCR](https://zenodo.org/record/1344132)
+weitere Modelle der [UB Mannheim](https://ub-backup.bib.uni-mannheim.de/~stweil/ocrd-train/data/Fraktur_5000000/)
+erzeugt worden, die für ein breites Spektrum historischer Drucke gute Ergebnisse liefern. Diese Modelle können
+auch kombiniert werden, was in der Regel noch bessere Ergebnisse bringt, allerdings auch dann mehr Zeit kostet.