Avaldatud on tekstituvastussĂŒsteemi Tesseract 5.4.0 versioon, mis toetab UTF-8 mĂ€rke ja tekste rohkem kui 100 keeles, sealhulgas vene, kasahhi, valgevene ja ukraina keeles. Tulemusi saab salvestada avatud tekstina ning HTML (hOCR), ALTO (XML), PDF ja TSV formaatides. Alguses loodi sĂŒsteem aastatel 1985-1995 Hewlett Packardi laboratooriumis, 2005. aastal avati kood Apache litsentsi alusel ja seda arendati edasi Googleâi töötajate osalusel. Projekti algsed tekstid levitatakse Apache 2.0 litsentsi alusel.
Tesseract sisaldab kĂ€surea 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 ĂŒksikute sĂŒmbolite mallide tasandil, ja uus, mis pĂ”hineb masinĂ”ppes rakendatud korduvatel nĂ€rvivĂ”rkudel LSTM, optimeeritud ridade tervikuna tuvastamiseks, mis vĂ”imaldab saavutada mĂ€rgatavat tĂ€psuse tĂ”usu. Koolitatud mudelid on avaldatud 123 keele jaoks. TĂ”hususe optimeerimiseks pakutakse mooduleid, mis kasutavad OpenMP ja SIMD-kĂ€sklusi, sealhulgas AVX2, AVX, AVX512F, NEON vĂ”i SSE4.1.
Peamised tÀiustused:
- Lisatud on toetus PAGE-XML formaadis joonistamiseks ja exportimiseks.
- Realiseeritud on mudeli treenimise vÔimalus, kasutades PNG formaadis faile LSTMF failide asemel.
- PDF formaadis joonistamine on paranenud.
- API-d on laiendatud teksti kallakute mÀÀramise jaoks.
- Eemaldatud on jĂ”udlusprobleemid, mis tuvastati Coverity sĂŒsteemis skaneerimise ajal.
Allikas: opennet.ru
