La version du système de reconnaissance optique de texte Tesseract 5.2 a été publiée, prenant en charge la reconnaissance des caractères et des textes UTF-8 dans plus de 100 langues, dont le russe, le kazakh, le biélorusse et l'ukrainien. Le résultat peut être enregistré en texte brut ou aux formats HTML (hOCR), ALTO (XML), PDF et TSV. Le système a été créé à l'origine en 1985-1995 dans le laboratoire Hewlett Packard ; en 2005, le code a été ouvert sous licence Apache et a été développé avec la participation des employés de Google. Le code source du projet est distribué sous la licence Apache 2.0.
Tesseract comprend un utilitaire de console et la bibliothèque libtesseract pour intégrer la fonctionnalité OCR dans d'autres applications. Les interfaces GUI tierces prenant en charge Tesseract incluent gImageReader, VietOCR et YAGF. Deux moteurs de reconnaissance sont proposés : un classique qui reconnaît le texte au niveau des modèles de caractères individuels, et un nouveau basé sur l'utilisation d'un système d'apprentissage automatique basé sur un réseau neuronal récurrent LSTM, optimisé pour reconnaître des chaînes entières et permettant une augmentation significative de la précision. Des modèles formés prêts à l’emploi ont été publiés pour 123 langues. Pour optimiser les performances, des modules utilisant les instructions OpenMP et SIMD AVX2, AVX, AVX512F, NEON ou SSE4.1 sont proposés.
Améliorations majeures de Tesseract 5.2 :
- Ajout d'optimisations mises en œuvre à l'aide des instructions Intel AVX512F.
- L'API C implémente une fonction pour initialiser tesseract avec le chargement d'un modèle d'apprentissage automatique à partir de la mémoire.
- Ajout du paramètre invert_threshold, qui détermine le niveau d'inversion des chaînes de texte. La valeur par défaut est 0.7. Pour désactiver l'inversion, définissez la valeur sur 0.
- Traitement amélioré des documents très volumineux sur les hôtes 32 bits.
- La transition a été effectuée de l'utilisation des fonctions std :: regex à std :: string.
- Scripts de construction améliorés pour Autotools, CMake et les systèmes d'intégration continue.
Source: opennet.ru