uvolnění systému optického rozpoznávání textu , podporující rozpoznávání znaků a textů UTF-8 ve více než 100 jazycích, včetně ruštiny, kazaštiny, běloruštiny a ukrajinštiny. Výsledek lze uložit jako prostý text nebo ve formátech HTML (hOCR), ALTO (XML), PDF a TSV. Systém původně vznikl v letech 1985-1995 v laboratoři Hewlett Packard, v roce 2005 byl kód otevřen pod licencí Apache a byl dále vyvíjen za účasti zaměstnanců Google. Zdroje projektu licencováno pod Apache 2.0.
Tesseract obsahuje obslužný program konzoly a knihovnu libtesseract pro vkládání funkcí OCR do jiných aplikací. Od třetích stran, které podporují Tesseract můžete poznamenat , и . Jsou nabízeny dva rozpoznávací stroje: klasický, který rozpoznává text na úrovni jednotlivých vzorů znaků, a nový založený na použití systému strojového učení založeného na rekurentní neuronové síti LSTM, optimalizovaný pro rozpoznávání celých řetězců a umožňující výrazné zvýšení přesnosti. Vycházejí hotové trénované modely pro . Pro optimalizaci výkonu jsou nabízeny moduly využívající OpenMP a instrukce SIMD AVX2, AVX nebo SSE4.1.
hlavní v Tesseract 4.1:
- Přidána možnost výstupu ve formátu XML (Analyzované rozvržení a textový objekt). Chcete-li použít tento formát, měli byste spustit aplikaci jako „název_obrázku tessaract alt výstupní_adresář“;
- Přidány nové vykreslovací moduly LSTMBox a WordStrBox, které zjednodušují školení motoru;
- Přidána podpora pseudografiky ve výstupu hOCR (HTML);
- Přidány alternativní skripty napsané v Pythonu pro trénování enginu založeného na strojovém učení;
- Rozšířené optimalizace pomocí instrukcí AVX, AVX2 a SSE;
- Podpora OpenMP je ve výchozím nastavení zakázána z důvodu s produktivitou;
- Přidána podpora bílých a černých listin v enginu LSTM;
- Vylepšené sestavovací skripty založené na Cmake.
Zdroj: opennet.ru