uvolnění systému optického rozpoznávání textu , podporující rozpoznávání znaků UTF-8 a textů ve více než 100 jazycích včetně ruštiny, kazaštiny, běloruštiny a ukrajinštiny. Výsledek lze ukládat jak jako prostý text, tak ve formátech HTML (hOCR), ALTO (XML), PDF a TSV. Systém byl původně vytvořen v letech 1985-1995 v laboratoři společnosti Hewlett Packard, v roce 2005 byl kód uvolněn pod licencí Apache a od té doby byl dále rozvíjen za účasti zaměstnanců společnosti Google. Původní texty projektu pod licencí Apache 2.0.
Tesseract zahrnuje konzolovou utilitu a knihovnu libtesseract pro integraci funkcí rozpoznávání textu do jiných aplikací. Mezi podporované externí lze zmínit , a . K dispozici jsou dva rozpoznávací enginy: klasický, rozpoznávající text na úrovni vzorů jednotlivých znaků, a nový, založený na aplikaci systému strojového učení s použitím rekurentní neuronové sítě LSTM, optimalizované pro rozpoznávání celých řádků a umožňující výrazné zvýšení přesnosti. Hotové natrénované modely byly zveřejněny pro . Pro optimalizaci výkonu jsou k dispozici moduly využívající OpenMP a SIMD instrukce AVX2, AVX nebo SSE4.1.
Hlavní v Tesseract 4.1:
- Byla přidána možnost výstupu ve formátu XML (Analyzovaný rozložení a textový objekt). Pro použití tohoto formátu je třeba spustit aplikaci jako "tesseract název_obrázku výstupní_katalog alto";
- Byly přidány nové moduly pro vykreslování LSTMBox a WordStrBox, které zjednodušují školení enginu;
- Byla přidána podpora pseudografiky ve výstupu hOCR (HTML);
- Byly přidány alternativní skripty napsané v Pythonu pro školení enginu založeného na strojovém učení;
- Byly rozšířeny optimalizace pomocí instrukcí AVX, AVX2 a SSE;
- Podpora OpenMP je ve výchozím nastavení vypnuta kvůli výkonu;
- Ve LSTM enginu byla přidána podpora bílých a černých seznamů;
- Byly vylepšeny sestavovací skripty založené na Cmake.
Zdroj: opennet.ru
