Пускане на системата за разпознаване на текст Tesseract 5.0

Публикувана е версията на системата за оптично разпознаване на текст Tesseract 4.1, която поддържа разпознаване на UTF-8 символи и текстове на повече от 100 езика, включително руски, казахски, беларуски и украински. Резултатът може да бъде запазен както в чист текст, така и във формати HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е създадена през 1985-1995 г. в лабораторията на Hewlett Packard, през 2005 г. кодът е отворен под лиценз Apache и е доразвит с участието на служители на Google. Изходните текстове на проекта се разпространяват под лиценз Apache 2.0.

Tesseract включва конзолна помощна програма и библиотека libtesseract за вграждане на OCR функционалност в други приложения. GUI на трети страни, поддържащи Tesseract, включват gImageReader, VietOCR и YAGF. Предлагат се два механизма за разпознаване: класически, който разпознава текст на ниво индивидуални символни шаблони, и нов, базиран на използването на система за машинно обучение, базирана на повтаряща се невронна мрежа LSTM, оптимизирана за разпознаване на цели редове и позволяваща значително увеличение на точността. Публикувани са готови обучени модели за 123 езика. За оптимизиране на производителността се предлагат модули, които използват OpenMP и SIMD инструкции AVX2, AVX, NEON или SSE4.1.

Ключови подобрения в Tesseract 5.0:

• Значителната промяна на номера на версията се дължи на промени в API, които нарушават съвместимостта. По-специално, публично достъпният API на libtesseract вече не е обвързан със собствените типове данни GenericVector и STRING, вместо които в кода се използват std::string и std::vector.
• Дървото на източника е реорганизирано. Публичните заглавни файлове са преместени в директорията include/tesseract.
• Управлението на паметта е преработено, всички извиквания към malloc и free са заменени с C++ код. Извършено е общо надграждане на кода.
• Добавени оптимизации за ARM и ARM64 архитектури, ARM NEON инструкции се използват за ускоряване на изчисленията. Извършена обща оптимизация на производителността за всички архитектури.
• Внедрени са нови режими на обучение на модели и разпознаване на текст, базирани на използването на изчисления с плаваща запетая. Новите режими се характеризират с по-висока производителност и намалена консумация на памет. В двигателя LSTM бързият режим float32 е активиран по подразбиране.
• Направен е преходът към използване на нормализиране на Unicode с помощта на формата NFC (Normalization Form Canonical).
• Добавена е опция за конфигуриране на подробности за дневника (-loglevel).
• Системата за сглобяване, базирана на Autotools, е преработена, която е превключена на сглобяване в нерекурсивен режим.
• Клонът „master“ в Git е преименуван на „main“.
• Добавена е поддръжка за нови версии на macOS и Apple системи, базирани на чипа M1.
  
  Източник: opennet.ru