Bylo zveřejněno vydání systému optického rozpoznávání textu Tesseract 5.5.0, který podporuje Unicode a rozpoznávání textů ve více než 100 jazycích, včetně ruštiny, kazaštiny, běloruštiny a ukrajinštiny. Výsledek může být ukládán jako prostý text i v 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 vyvíjen za účasti pracovníků společnosti Google. Zdrojové texty projektu jsou distribuovány pod licencí Apache 2.0.
Tesseract zahrnuje konzolovou utilitu a knihovnu libtesseract pro začlenění funkcí rozpoznávání textu do jiných aplikací. Mezi podporujícími GUI rozhraními pro Tesseract lze zmínit gImageReader, VietOCR a YAGF. Nabízeny jsou dva rozpoznávací motory: klasický, který rozpoznává text na úrovni šablon jednotlivých znaků, a nový, založený na aplikaci systému strojového učení pomocí rekurentní neuronové sítě LSTM, optimalizované pro rozpoznávání celých řádků a umožňující dosáhnout významného zvýšení přesnosti. Hotové natrénované modely jsou zveřejněny pro 123 jazyků. Pro optimalizaci výkonu jsou k dispozici moduly využívající OpenMP a SIMD instrukce AVX2, AVX, AVX512F, NEON nebo SSE4.1.
Hlavní vylepšení:
- Byla přidána podpora vektorových rozšíření RISC-V V, na základě kterých byly připraveny assemblerové optimalizace pro systémy s procesory RISC-V.
- Při zápisu výsledku ve formátu hOCR je zajištěno nastavení parametrů ocrp_dir a ocrp_lang v vytvářeném souboru.
- Byl modernizován kód pro určení dostupných jazykových modelů.
- Byl vylepšen kód pro generování souborů ve formátu hOCR a odstraněna byla konverze názvů souborů na platformě Windows.
- Bylo povoleno uvádění symbolických hodnot v možnostích „—oem“ a „—psm“.
- V kódu byla provedena náhrada funkcí access a _access metodou std::filesystem::exists(). Funkce tprintf byly nahrazeny použitím proudu tesserr.
- Byla odstraněna podpora platformy strojového učení Tensorflow, která byla dříve implementována, ale nikdy nebyla využita pro realizaci AI modelů rozpoznávání.
- Byl vylepšen instalátor pro platformu Windows.
- Podmodul googletest byl aktualizován na verzi 1.15.2.
Zdroj: opennet.ru
