Релийз на системата за разпознаване на текст Tesseract 5.5.0

Публикувана е версия на системата за оптично разпознаване на текст Tesseract 5.5.0, която поддържа Unicode и разпознаване на текстове на над 100 езика, включително руски, казахски, беларуски и украински. Резултатите могат да се запазват както в plain text, така и в форматите HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е създадена между 1985 и 1995 г. в лабораторията на компанията Hewlett Packard, през 2005 г. кодът е отворен под лиценз Apache и впоследствие е развиван с помощта на служители от 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 поддържаните GUI интерфейси на трети страни за Tesseract можем да споменем gImageReader, VietOCR и YAGF. Предлагат се два механизма за разпознаване: класическият, който разпознава текст на ниво шаблони на отделни символи, и новият, базиран на машинно обучение чрез рекурентна невронна мрежа LSTM, оптимизиран за разпознаване на цели редове и позволяващ значително увеличение на точността. Готовите модели, които са натренирани, са публикувани за 123 езика. За оптимизиране на производителността са предложени модули, използващи OpenMP и SIMD инструкции AVX2, AVX, AVX512F, NEON или SSE4.1.

Основни подобрения:

• Добавена е поддръжка за векторни разширения RISC-V V, на базата на които са подготвени асемблерни оптимизации за системи с процесори RISC-V.
• При запис на резултата във формат hOCR е осигурено поставянето на параметрите ocrp_dir и ocrp_lang в създадения файл.
• Кодът за определяне на наличните езикови модели е модернизиран.
• Кодът за формиране на файлове в hOCR формат е подобрен и преобразуването на имената на файловете на платформата Windows е премахнато.
• Разрешено е посочването на символни стойности в опции „—oem“ и „—psm“.
• В кода функцията access и _access са заменени с метода std::filesystem::exists(). Функциите tprintf са заменени с използването на потока tesserr.
• Подаване на поддръжка за платформата за машинно обучение Tensorflow, която беше реализирана, но не беше използвана за изпълнение на AI модели за разпознаване, е премахната.
• Инсталаторът за платформата Windows е подобрен.
• Субмодулът googletest е актуализиран до версия 1.15.2.

Източник: opennet.ru