Se ha publicado la versión del sistema de reconocimiento óptico de texto Tesseract 5.5.0, que soporta Unicode y el reconocimiento de textos en más de 100 idiomas, incluyendo ruso, kazajo, bielorruso y ucraniano. Los resultados se pueden guardar como texto plano, así como en formatos HTML (hOCR), ALTO (XML), PDF y TSV. Originalmente, el sistema fue creado entre 1985 y 1995 en el laboratorio de la empresa Hewlett Packard, en 2005 el código fue abierto bajo la licencia Apache y desde entonces ha sido desarrollado con la participación de empleados de Google. Los textos fuente del proyecto se distribuyen bajo la licencia Apache 2.0.
Tesseract incluye una utilidad de línea de comandos y una biblioteca libtesseract para integrar las funciones de reconocimiento de texto en otras aplicaciones. Entre las interfaces GUI de terceros que soportan Tesseract se encuentran gImageReader, VietOCR y YAGF. Se ofrecen dos motores de reconocimiento: el clásico, que reconoce texto a nivel de plantillas de caracteres individuales, y uno nuevo, que se basa en la aplicación de un sistema de aprendizaje automático basado en una red neuronal recurrente LSTM, optimizada para el reconocimiento de líneas enteras y que permite un aumento significativo en la precisión. Se han publicado modelos entrenados para 123 idiomas. Para optimizar el rendimiento, se ofrecen módulos que utilizan OpenMP y las instrucciones SIMD AVX2, AVX, AVX512F, NEON o SSE4.1.
Principales mejoras:
- Se ha añadido soporte para las extensiones vectoriales RISC-V V, sobre las cuales se han preparado optimizaciones de ensamblador para sistemas con procesadores RISC-V.
- Al guardar el resultado en formato hOCR se asegura la inclusión de los parámetros ocrp_dir y ocrp_lang en el archivo creado.
- Se ha modernizado el código para determinar los modelos de idioma disponibles.
- Se ha mejorado el código para la generación de archivos en formato hOCR y se ha eliminado la conversión de nombres de archivos en la plataforma Windows.
- Se ha permitido especificar valores simbólicos en las opciones «—oem» y «—psm».
- En el código se han reemplazado las funciones access y _access por el método std::filesystem::exists(). Las funciones tprintf se han sustituido por el uso del flujo tesserr.
- Se ha eliminado el soporte para la plataforma de aprendizaje automático Tensorflow, que en su momento fue implementado, pero nunca se utilizó para ejecutar modelos de AI de reconocimiento.
- Se ha mejorado el instalador para la plataforma Windows.
- El submódulo googletest se ha actualizado a la versión 1.15.2.
Fuente: opennet.ru
