Byla uvedena nová verze systému optického rozpoznávání textu Tesseract 4.1, která podporuje rozpoznávání znaků UTF-8 a textů ve více než 100 jazycích včetně ruštiny, kazaštiny, běloruštiny a ukrajinštiny. Výsledky lze ukládat jako obyčejný text nebo 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 následně se vyvíjel za účasti zaměstnanců společnosti Google. Zdrojové kódy projektu se šíří pod licencí Apache 2.0.
Tesseract zahrnuje konzolovou utilitu a knihovnu libtesseract pro integraci funkcí rozpoznávání textu do jiných aplikací. Mezi třetími GUI rozhraními podporujícími Tesseract jsou gImageReader, VietOCR a YAGF. Nabízí se dva rozpoznávací motory: klasický, který rozpoznává text na úrovni šablon jednotlivých znaků, a nový, založený na použití systému strojového učení s rekurentními neuronovými sítěmi LSTM, optimalizovaný pro rozpoznávání celých řádků a umožňující dosáhnout významného zvýšení přesnosti. Hotové trénované modely byly publikovány pro 123 jazyků. Pro optimalizaci výkonu jsou k dispozici moduly využívající OpenMP a SIMD instrukce AVX2, AVX, NEON nebo SSE4.1.
Hlavní vylepšení v Tesseract 5.0:
- Významná změna čísla verze je spojena se změnami v API, které narušují kompatibilitu. Zejména veřejně dostupné API libtesseract již není vázáno na vlastnické datové typy GenericVector a STRING, místo nich jsou v kódu využívány std::string a std::vector.
- Byla reorganizována struktura zdrojových kódů. Veřejné hlavičkové soubory byly přesunuty do adresáře include/tesseract.
- Bylo přepracováno řízení paměti, všechny volání malloc a free byly nahrazeny kódem C++. Byla provedena celková modernizace kódu.
- Byly přidány optimalizace pro architektury ARM a ARM64, pro urychlení výpočtů byly využity instrukce ARM NEON. Byla provedena celková optimalizace výkonu pro všechny architektury.
- Byly implementovány nové režimy trénování modelů a rozpoznávání textu, které vycházejí z využívání výpočtů s plovoucí desetinnou čárkou. Nové režimy se vyznačují vyšším výkonem a sníženou spotřebou paměti. V LSTM enginu je rychlý režim float32 nastaven jako výchozí.
- Byl zahájen přechod na používání normalizace Unicode ve formě NFC (Normalization Form Canonical).
- Byla přidána možnost nastavení podrobnosti logů (—loglevel).
- Byl přepracován systém sestavení na základě Autotools, který byl převeden na nerekurzivní režim sestavení.
- Větev „master“ v Gitu byla přejmenována na „main“.
- Byla přidána podpora nových verzí macOS a systémů Apple založených na čipu M1.
Zdroj: opennet.ru
