Le lancement de la version 5.5.0 du système de reconnaissance optique des caractères Tesseract a été annoncé, prenant en charge l'Unicode et la reconnaissance de textes en plus de 100 langues, y compris le russe, le kazakh, le biélorusse et l'ukrainien. Les résultats peuvent être sauvegardés en tant que texte brut ou dans les formats HTML (hOCR), ALTO (XML), PDF et TSV. Au départ, le système a été créé entre 1985 et 1995 dans un laboratoire de la société Hewlett Packard, et en 2005, le code a été ouvert sous la licence Apache et a depuis été développé avec la participation des employés de Google. Les textes sources du projet sont diffusés sous la licence Apache 2.0.
Tesseract comprend une utilitaire en ligne de commande et une bibliothèque libtesseract pour intégrer les fonctionnalités de reconnaissance de texte dans d'autres applications. Parmi les interfaces graphiques tierces prenant en charge Tesseract, on peut mentionner gImageReader, VietOCR et YAGF. Deux moteurs de reconnaissance sont proposés : l'un classique qui reconnaît le texte au niveau des modèles de caractères individuels, et un nouveau basé sur l'application d'un système d'apprentissage automatique utilisant des réseaux de neurones récurrents LSTM, optimisé pour la reconnaissance de lignes entières et permettant d'obtenir une augmentation significative de la précision. Des modèles pré-entraînés sont publiés pour 123 langues. Pour optimiser les performances, des modules utilisant OpenMP et des instructions SIMD AVX2, AVX, AVX512F, NEON ou SSE4.1 sont proposés.
Améliorations principales :
- Le support des extensions vectorielles RISC-V V a été ajouté, sur la base desquelles des optimisations d'assemblage pour les systèmes avec des processeurs RISC-V ont été préparées.
- Lors de l'enregistrement du résultat au format hOCR, il est assuré que les paramètres ocrp_dir et ocrp_lang sont définis dans le fichier créé.
- Le code pour déterminer les modèles linguistiques disponibles a été modernisé.
- Le code pour générer des fichiers au format hOCR a été amélioré et la conversion des noms de fichiers sur la plateforme Windows a été éliminée.
- Il est désormais permis d'indiquer des valeurs symboliques dans les options «—oem» et «—psm».
- Dans le code, les fonctions access et _access ont été remplacées par la méthode std::filesystem::exists(). Les fonctions tprintf ont été remplacées par l'utilisation du flux tesserr.
- Le support de la plateforme d'apprentissage automatique Tensorflow, qui avait été mise en œuvre à l'époque mais n'a jamais été utilisée pour l'exécution de modèles AI de reconnaissance, a été supprimé.
- L'installateur pour la plateforme Windows a été amélioré.
- Le sous-module googletest a été mis à jour vers la version 1.15.2.
Source : opennet.ru
