Tesseract 5.1 optisen tekstintunnistusjärjestelmän julkaisu on julkaistu, ja se tukee UTF-8-merkkien ja tekstien tunnistamista yli 100 kielellä, mukaan lukien venäjäksi, kazakstaniksi, valkovenäläiseksi ja ukrainaksi. Tulos voidaan tallentaa pelkkänä tekstinä tai HTML (hOCR), ALTO (XML), PDF- ja TSV-muodoissa. Järjestelmä luotiin alun perin vuosina 1985-1995 Hewlett Packardin laboratoriossa; vuonna 2005 koodi avattiin Apache-lisenssillä ja sitä kehitettiin edelleen Googlen työntekijöiden osallistuessa. Projektin lähdekoodia jaetaan Apache 2.0 -lisenssillä.
Tesseract sisältää konsoliapuohjelman ja libtesseract-kirjaston tekstintunnistustoimintojen upottamiseen muihin sovelluksiin. Kolmannen osapuolen GUI-liittymiä, jotka tukevat Tesseractia, ovat gImageReader, VietOCR ja YAGF. Tarjolla on kaksi tunnistusmoottoria: klassinen, joka tunnistaa tekstin yksittäisten merkkimallien tasolla, ja uusi, joka perustuu LSTM:n toistuvaan hermoverkkoon perustuvaan koneoppimisjärjestelmään, joka on optimoitu kokonaisten merkkijonojen tunnistamiseen ja mahdollistaa tarkkuuden merkittävä lisäys. Valmiita koulutettuja malleja on julkaistu 123 kielelle. Suorituskyvyn optimoimiseksi tarjotaan moduuleja, jotka käyttävät OpenMP- ja SIMD-ohjeita AVX2, AVX, NEON tai SSE4.1.
Suuret parannukset Tesseract 5.1:ssa:
- Mahdollisuus käsitellä alueita kuvilla ja viivoilla tulostettaessa ALTO-, hOCR- ja tekstimuodoissa on otettu käyttöön.
- Lisätty uusi parametri curl_timeout lkz curl_easy_setop.
- Parannettu rakennusjärjestelmä.
- Käyttämättömän koodin poistamiseksi on tehty töitä
- Korjattu kaatumiset, jotka aiheutuivat PageIterator::Orientation-luokan nollaosoittimien virheellisestä käsittelystä.
Lähde: opennet.ru