Udgivet er en version af systemet til optisk tegngenkendelse Tesseract 5.5.0, som understøtter Unicode og genkendelse af tekst på mere end 100 sprog, herunder russisk, kasakhisk, hviderussisk og ukrainsk. Resultatet kan gemmes som almindelig tekst samt i formaterne HTML (hOCR), ALTO (XML), PDF og TSV. Systemet blev oprindeligt skabt i 1985-1995 i laboratoriet hos Hewlett Packard, og i 2005 blev koden frigivet under Apache-licensen og videreudviklet med deltagelse af medarbejdere fra Google. Projektets kildekoder distribueres under Apache 2.0-licensen.
Tesseract inkluderer et konsolværktøj og biblioteket libtesseract til integration af tegnkendelsesfunktioner i andre applikationer. Blandt de tredjeparts GUI-grinterfaces, der understøtter Tesseract, kan nævnes gImageReader, VietOCR og YAGF. Der tilbydes to genkendelsesmotorer: en klassisk, der genkender tekst på grundlag af mønstre af individuelle tegn, og en ny, der er baseret på brugen af et maskinlæringssystem med en LSTM-recurrent neural netværksmodel, der er optimeret til genkendelse af hele linjer, hvilket muliggør en betydelig stigning i nøjagtigheden. Færdigtrænede modeller er offentliggjort for 123 sprog. Desuden tilbydes der moduler til optimering af ydeevnen ved hjælp af OpenMP og SIMD-instruktioner som AVX2, AVX, AVX512F, NEON eller SSE4.1.
Hovedforbedringer:
- Tilføjet understøttelse af RISC-V V vektorextensioner, for hvilke der er forberedt assembleroptimeringer til systemer med RISC-V processorer.
- Når resultatet skrives i hOCR-format, sikres det, at parametrene ocrp_dir og ocrp_lang er angivet i den oprettede fil.
- Koden til bestemmelse af tilgængelige sprogmodeller er blevet opgraderet.
- Koden til at generere filer i hOCR-format er forbedret, og omdannelsen af filnavne på Windows-platformen er fjernet.
- Det er nu tilladt at angive symbolske værdier i indstillingerne «—oem» og «—psm».
- I koden er funktionerne access og _access blevet erstattet med metoden std::filesystem::exists(). Funktionen tprintf er blevet ændret til brugen af tesserr-strømmen.
- Understøttelsen af maskinlæringsplatformen Tensorflow, som tidligere blev implementeret, men som aldrig blev brugt til at køre AI-modeller for genkendelse, er blevet fjernet.
- Installereren til Windows-platformen er forbedret.
- Submodulet googletest er blevet opdateret til version 1.15.2.
Kilde: opennet.ru
