Tesseract 5.2 tekstituvastussüsteemi väljaanne.

Avaldatud on Tesseracti 5.2 optilise tekstituvastuse süsteemi versioon, mis toetab UTF-8 sümbolite tuvastamist ning tekste enam kui 100 keeles, sealhulgas vene, kasahhi, valgevene ja ukraina keeles. Tulemusi saab salvestada nii avatud tekstina kui ka HTML (hOCR), ALTO (XML), PDF ja TSV formaatides. Süsteem loodi esmakordselt aastatel 1985-1995 Hewlett Packardi laboris, 2005. aastal avati kood Apache litsentsi alusel ning seda arendati edasi Google'i töötajate osalusel. Projekti algsed tekstid levitatakse Apache 2.0 litsentsi alusel.

Tesseract sisaldab käsurea utiliiti ja libtesseract teeki, et integreerida teksti tuvastamise funktsioone teistesse rakendustesse. Tesseracti toetavate kolmanda osapoole GUI-de hulka kuuluvad gImageReader, VietOCR ja YAGF. Pakutakse kahte tuvastusmootorit: klassikaline, mis tuvastab teksti üksikute sümbolite mallide tasandil, ja uus, mis põhineb masinõppes rakendatud korduvatel närvivõrkudel LSTM, optimeeritud ridade tervikuna tuvastamiseks, mis võimaldab saavutada märgatavat täpsuse tõusu. Koolitatud mudelid on avaldatud 123 keele jaoks. Tõhususe optimeerimiseks pakutakse mooduleid, mis kasutavad OpenMP ja SIMD-käsklusi, sealhulgas AVX2, AVX, AVX512F, NEON või SSE4.1.

Tesseract 5.2 peamised täiustused:

• On lisatud optimeerimisi, mis on rakendatud Intel AVX512F käskude abil.
• C API-s on rakendatud funktsioon, mis võimaldab tesseracti initsialiseerimist masinõppemudeli mälust laadimisega.
• On lisatud parameeter invert_threshold, mis määrab tekstiridade pööramise taseme. Vaikimisi on väärtus 0.7. Pööramise väljalülitamiseks tuleks seada väärtus 0.
• On parendatud väga suurte dokumentide töötlemist 32-bitistel hostidel.
• On toimunud üleminek std::regex funktsioonide kasutamiselt std::stringile.
• Autotools, CMake ja pideva integreerimise süsteemide kogumisskriptid on parendatud.

  Allikas: opennet.ru