La liberigo de la Tesseract 5.2 optika tekstrekona sistemo estis publikigita, apogante rekonon de UTF-8-signoj kaj tekstoj en pli ol 100 lingvoj, inkluzive de rusa, kazaĥa, belorusa kaj ukraina. La rezulto povas esti konservita en simpla teksto aŭ en HTML (hOCR), ALTO (XML), PDF kaj TSV formatoj. La sistemo estis origine kreita en 1985-1995 en la Hewlett Packard-laboratorio; en 2005, la kodo estis malfermita sub la Apache-licenco kaj estis plue evoluigita kun la partopreno de Google-dungitoj. La fontkodo de la projekto estas distribuita sub la permesilo Apache 2.0.
Tesseract inkluzivas konzolan utilecon kaj la libtesseract-bibliotekon por enigi OCR-funkciecon en aliajn aplikojn. Triaj GUI-interfacoj kiuj subtenas Tesseract inkluzivas gImageReader, VietOCR kaj YAGF. Du rekonmotoroj estas ofertitaj: klasika kiu rekonas tekston je la nivelo de individuaj signopadronoj, kaj nova bazita sur la uzo de maŝinlernado sistemo bazita sur LSTM ripetiĝanta neŭrala reto, optimumigita por rekoni tutajn ŝnurojn kaj ebligante signifa pliiĝo en precizeco. Pretaj trejnitaj modeloj estis publikigitaj por 123 lingvoj. Por optimumigi rendimenton, moduloj uzantaj OpenMP kaj SIMD-instrukciojn AVX2, AVX, AVX512F, NEON aŭ SSE4.1 estas ofertitaj.
Gravaj plibonigoj en Tesseract 5.2:
- Aldonitaj optimumigoj efektivigitaj per instrukcioj de Intel AVX512F.
- La C API efektivigas funkcion por pravalorigi tesseract kun ŝarĝado de maŝinlernada modelo de memoro.
- Aldonita la parametro invert_threshold, kiu determinas la nivelon de inversigo de tekstaj ĉenoj. La defaŭlta valoro estas 0.7. Por malŝalti inversigon, agordu la valoron al 0.
- Plibonigita pretigo de tre grandaj dokumentoj sur 32-bitaj gastigantoj.
- La transiro estis farita de uzado de std::regex-funkcioj al std::string.
- Plibonigitaj konstruaj skriptoj por Autotools, CMake kaj kontinuaj integrigaj sistemoj.
fonto: opennet.ru