Publicouse o lanzamento do sistema de recoñecemento óptico de texto Tesseract 4.1, que admite o recoñecemento de caracteres UTF-8 e textos en máis de 100 idiomas, entre eles ruso, casaco, bielorruso e ucraíno. O resultado pódese gardar en texto plano ou en formatos HTML (hOCR), ALTO (XML), PDF e TSV. O sistema foi orixinalmente creado en 1985-1995 no laboratorio de Hewlett Packard; en 2005, o código abriuse baixo a licenza Apache e foi desenvolvido aínda máis coa participación dos empregados de Google. O código fonte do proxecto distribúese baixo a licenza Apache 2.0.
Tesseract inclúe unha utilidade de consola e a biblioteca libtesseract para incorporar a funcionalidade OCR noutras aplicacións. As interfaces GUI de terceiros que admiten Tesseract inclúen gImageReader, VietOCR e YAGF. Ofrécense dous motores de recoñecemento: un clásico que recoñece texto a nivel de patróns de caracteres individuais, e outro novo baseado no uso dun sistema de aprendizaxe automática baseado nunha rede neuronal recorrente LSTM, optimizada para recoñecer cadeas enteiras e que permite unha aumento significativo da precisión. Publicáronse modelos adestrados preparados para 123 idiomas. Para optimizar o rendemento, ofrécense módulos que utilizan instrucións OpenMP e SIMD AVX2, AVX, NEON ou SSE4.1.
Melloras principais en Tesseract 5.0:
- Un cambio significativo no número de versión débese aos cambios realizados na API que rompen a compatibilidade. En particular, a API pública libtesseract xa non está ligada aos tipos de datos propietarios GenericVector e STRING, en favor de std::string e std::vector.
- A árbore do texto de orixe reorganizouse. Os ficheiros de cabeceira públicos movéronse ao directorio include/tesseract.
- Rediseñouse a xestión da memoria, todas as chamadas malloc e gratuítas substituíronse por código C++. Realizouse unha modernización xeral do código.
- Optimizacións engadidas para arquitecturas ARM e ARM64; as instrucións ARM NEON utilízanse para acelerar os cálculos. Realizouse a optimización do rendemento común a todas as arquitecturas.
- Implementáronse novos modos de adestramento de modelos e recoñecemento de texto baseados no uso de cálculos de coma flotante. Os novos modos ofrecen un maior rendemento e un menor consumo de memoria. No motor LSTM, o modo rápido float32 está activado por defecto.
- Fíxose unha transición ao uso da normalización Unicode mediante o formulario NFC (Formulario de Normalización Canónica).
- Engadiuse unha opción para configurar os detalles do rexistro (--loglevel).
- O sistema de construción baseado en Autotools foi redeseñado e cambiou para construír en modo non recursivo.
- A rama "mestra" en Git foi renomeada a "principal".
- Engadido soporte para novos lanzamentos de sistemas macOS e Apple baseados no chip M1.
Fonte: opennet.ru