Avalikustatud on Tesseract 5.3.4 versioon, mis toetab UTF-8 sümbolite tuvastamist ja tekste enam kui 100 keeles, sealhulgas vene, kasahhi, valgevene ja ukraina. Tulemusi saab salvestada nii puhttekstina kui ka HTML (hOCR), ALTO (XML), PDF ja TSV formaate. Süsteem loodi algselt aastatel 1985-1995 Hewlett Packardi laboris, 2005. aastal avati kood Apache litsentsi all ja selle arendust jätkati Google'i töötajate osalusel. Projekti lähtekood jagatakse Apache 2.0 litsentsi all.
Tesseract sisaldab käsurealiidese tööriista ja raamatukogu libtesseract, et sisestada tekstituvastusfunktsioone teistesse rakendustesse. Tesseracti toetavate kolmandate osapoolte GUI-de seas võib välja tuua gImageReader, VietOCR ja YAGF. Pakutakse kahte tekstituvastusmootorit: klassikaline, mis tunneb ära tähemärgid eraldi mallide tasandil, ja uus, mis põhineb masinõppes, kasutades korduvaid närvivõrke LSTM, mis on optimeeritud kogu ridade äratundmiseks ja võimaldab oluliselt parandada täpsust. Valmis treenitud mudeleid on avaldatud 123 keele jaoks. Jõudluse optimeerimiseks on pakutud mooduleid, mis kasutavad OpenMP ja SIMD-instruktsioone AVX2, AVX, AVX512F, NEON või SSE4.1.
Peamised parandused:
- Parem piltide tuvastamine URL-ide kaudu failide üleslaadimisel libcurl raamatukogu kasutamisega. Üleslaadimise ajal tagatakse User-Agent pealkirja seadistamine. Uus parameeter curl_cookiefile on lisatud, et kasutada küpsiste faili.
- V serveril ScrollView on prioriteedina kasutusele võetud TCP protokoll.
- Käskluse „combine_tessdata -d“ kasutamisel tagatakse väljund stdout-i, mitte stderr-i.
- Probleemid ehitamisel autoconf ja clang'i kasutamisel on kõrvaldatud.
Allikas: opennet.ru
