Avaldatud on optilise tekstituvastuse süsteemi Tesseract 4.1 väljaanne, mis toetab UTF-8 sümbolite ja enam kui 100 keele, sealhulgas vene, kasahhi, valgevene ja ukraina, tuvastamist. Tulemusi saab salvestada nii avatud tekstina kui ka HTML (hOCR), ALTO (XML), PDF ja TSV formaadis. Algne süsteem loodi aastatel 1985-1995 Hewlett Packardi laboris, 2005. aastal avati kood Apache litsentsi alusel ning seda arendati hiljem Google'i töötajate osalusel. Projekti allikaid levitatakse Apache 2.0 litsentsi alusel.
Tesseract sisaldab käsurealiidest ja libtesseract teeki, et integreerida tekstituvastuse funktsioone teistesse rakendustesse. Tesseracti toetavate kolmandate osapoolte GUI-liideste seas võib nimetada gImageReaderit, VietOCR-i ja YAGF-i. Pakutakse kahte tuvastusmootorit: klassikaline, mis tuvastab tekste üksikute sümbolite tasemel, ja uus, mis põhineb masinõppemeetoditel, kasutades LSTM rekursiivset närvivõrku, mis on optimeeritud ridade tuvastamiseks ja mille abil saavutatakse märkimisväärne täpsuse suurenemine. Valmis treenitud mudelid on avaldatud 123 keele jaoks. Tootlikkuse optimeerimiseks pakutakse mooduleid, mis kasutavad OpenMP-d ja AVX2, AVX, NEON või SSE4.1 SIMD käske.
Tesseract 5.0 peamised täiustused:
- Versiooninumbri märkimisväärne muutus tuleneb API muudatustest, mis rikuvad ühilduvust. Eelkõige ei ole avalikult ligipääsetav API libtesseract enam seotud proprietaarsete andmetüüpidega GenericVector ja STRING, vaid koodis kasutatakse std::string ja std::vector.
- Allika puu on ümber kujundatud. Avalikud pealkirjafailid on viidud katalooge include/tesseract.
- Mälu haldamine on ümber töötatud, kõik malloc ja free kutsed on asendatud C++ koodiga. Koodi on üldiselt moderniseeritud.
- Optimeerimised on lisatud ARM ja ARM64 arhitektuuridele, et kiirendada arvutusi on kasutatud ARM NEON juhiseid. Kõikide arhitektuuride jaoks on läbi viidud üldine jõudluse optimeerimine.
- Uued mudelite treeningu ja tekstituvastuse režiimid on rakendatud, põhinedes ujuvkomaga arvutusele. Uued režiimid pakuvad kõrgemat jõudlust ja madalamat mälu tarbimist. LSTM mootoris on kiire režiim float32 vaikimisi sisse lülitatud.
- On toimunud üleminek Unicode normaliseerimise kasutusele, kasutades NFC (Normalization Form Canonical) vormi.
- Logide detaliseerimise seadistamiseks on lisatud valik (—loglevel).
- Ehitatud süsteem on ümber töötatud Autotools põhjal, mis on muudetud mittesümboliliseks kogumiseks.
- Git'i 'master' haru on ümber nimetatud 'main'.
- On lisatud tugi uuteks macOS versioonide ja Apple'i süsteemide jaoks, mis põhinevad M1 kiibil.
Allikas: opennet.ru
