Публикувана версия на системата за оптично разпознаване на текст Tesseract 4.1, която поддържа разпознаване на символи UTF-8 и текстове на над 100 езика, включително руски, казахски, белоруски и украински. Резултатът може да се запази както в обикновен текст, така и в форматите HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е разработена в периода 1985-1995 г. в лаборатория на компанията Hewlett Packard, през 2005 г. кодът е отворен под лиценз Apache, и по-късно е разработван с участието на служители на Google. Изходните текстове на проекта се разпространяват под лиценз Apache 2.0.
Tesseract включва конзолна утилита и библиотека libtesseract за вграждане на функции за разпознаване на текст в други приложения. Сред поддържащите Tesseract външни графични интерфейси могат да бъдат отбелязани gImageReader, VietOCR и YAGF. Предлагат се два двигателя за разпознаване: класическият, който разпознава текст на ниво шаблони на отделни символи, и новият, базиран на система за машинно обучение, използваща рекурсивна невронна мрежа LSTM, оптимизирана за разпознаване на цели редове и позволяваща значително увеличаване на точността. Готовите обучени модели са публикувани за 123 езика. За оптимизация на производителността се предлагат модули, които използват OpenMP и SIMD инструкции AVX2, AVX, NEON или SSE4.1.
Основни подобрения в Tesseract 5.0:
- Същественото изменение в номера на версията е свързано с внесените промени в API, нарушаващи съвместимостта. По-специално, публично достъпният API libtesseract вече не е обвързан с проприетарните типове данни GenericVector и STRING, вместо тях в кода се използват std::string и std::vector.
- Реорганизирано е дървото на изходните текстове. Публичните заглавни файлове са преместени в каталог include/tesseract.
- Преосмислено е управлението на паметта, всички повици на malloc и free са заменени с код на C++. Извършена е обща модернизация на кода.
- Добавени са оптимизации за архитектури ARM и ARM64, за ускоряване на изчисленията са използвани инструкции ARM NEON. Извършена е обща оптимизация на производителността за всички архитектури.
- Реализирани са нови режими на обучение на модели и разпознаване на текст, основани на използването на изчисления с плаваща запетая. Новите режими предлагат по-висока производителност и намалено потребление на памет. В двигателя LSTM режимът float32 е включен по подразбиране.
- Извършен е преход към използване на нормализация Unicode с форма NFC (Normalization Form Canonical).
- Добавена е опция за настройване на детайлизацията на логовете (—loglevel).
- Преосмислена е системата за сборка на основата на Autotools, която е преведена на сборка в нерекурсивен режим.
- Клонът „master“ в Git е преименуван на „main“.
- Добавена е поддръжка за новите издания на macOS и системите Apple, базирани на чипа M1.
Източник: opennet.ru
