ટેક્સ્ટ રેકગ્નિશન સિસ્ટમ ટેસેરેક્ટ 4.1

તૈયાર ઓપ્ટિકલ ટેક્સ્ટ રેકગ્નિશન સિસ્ટમનું પ્રકાશન ટેસેરેક્ટ 4.1, રશિયન, કઝાક, બેલારુસિયન અને યુક્રેનિયન સહિત 8 થી વધુ ભાષાઓમાં UTF-100 અક્ષરો અને ટેક્સ્ટની માન્યતાને સમર્થન આપે છે. પરિણામ સાદા ટેક્સ્ટમાં અથવા HTML (hOCR), ALTO (XML), PDF અને TSV ફોર્મેટમાં સાચવી શકાય છે. આ સિસ્ટમ મૂળ રૂપે 1985-1995 માં હેવલેટ પેકાર્ડ લેબોરેટરીમાં બનાવવામાં આવી હતી; 2005 માં, કોડ અપાચે લાયસન્સ હેઠળ ખોલવામાં આવ્યો હતો અને Google કર્મચારીઓની ભાગીદારીથી તેને વધુ વિકસિત કરવામાં આવ્યો હતો. પ્રોજેક્ટ સ્ત્રોતો ફેલાવો Apache 2.0 હેઠળ લાઇસન્સ.

ટેસેરેક્ટમાં અન્ય એપ્લિકેશન્સમાં OCR કાર્યક્ષમતાને એમ્બેડ કરવા માટે કન્સોલ ઉપયોગિતા અને libtesseract લાઇબ્રેરીનો સમાવેશ થાય છે. તૃતીય પક્ષો તરફથી જે ટેસેરેક્ટને સમર્થન આપે છે GUI ઇન્ટરફેસ તમે નોંધ કરી શકો છો જીઆમેજરેડર, VietOCR и YAGF. બે ઓળખ એન્જિન ઓફર કરવામાં આવે છે: એક ક્લાસિક જે વ્યક્તિગત પાત્ર પેટર્નના સ્તરે ટેક્સ્ટને ઓળખે છે, અને એક નવું LSTM રિકરન્ટ ન્યુરલ નેટવર્ક પર આધારિત મશીન લર્નિંગ સિસ્ટમના ઉપયોગ પર આધારિત છે, જે સમગ્ર સ્ટ્રિંગ્સને ઓળખવા માટે ઑપ્ટિમાઇઝ કરવામાં આવે છે અને તેને મંજૂરી આપે છે. ચોકસાઈમાં નોંધપાત્ર વધારો. માટે તૈયાર પ્રશિક્ષિત મોડલ પ્રકાશિત કરવામાં આવે છે 123 ભાષાઓ. પ્રદર્શનને શ્રેષ્ઠ બનાવવા માટે, OpenMP અને AVX2, AVX અથવા SSE4.1 SIMD સૂચનાઓનો ઉપયોગ કરીને મોડ્યુલો ઓફર કરવામાં આવે છે.

મુખ્ય સુધારાઓ ટેસેરેક્ટ 4.1 માં:

• XML ફોર્મેટમાં આઉટપુટ કરવાની ક્ષમતા ઉમેરી ALTO (વિશ્લેષિત લેઆઉટ અને ટેક્સ્ટ ઑબ્જેક્ટ). આ ફોર્મેટનો ઉપયોગ કરવા માટે, તમારે એપ્લિકેશનને “tessaract image_name alto output_dir” તરીકે ચલાવવી જોઈએ;
• નવા રેન્ડરીંગ મોડ્યુલો LSTMBox અને WordStrBox ઉમેર્યા, એન્જિન તાલીમને સરળ બનાવે છે;
• hOCR (HTML) આઉટપુટમાં સ્યુડોગ્રાફિક્સ માટે ઉમેરાયેલ સપોર્ટ;
• મશીન લર્નિંગ પર આધારિત એન્જિનને તાલીમ આપવા માટે પાયથોનમાં લખેલી વૈકલ્પિક સ્ક્રિપ્ટો ઉમેરવામાં આવી;
• AVX, AVX2 અને SSE સૂચનાઓનો ઉપયોગ કરીને વિસ્તૃત ઑપ્ટિમાઇઝેશન;
• ઓપનએમપી સપોર્ટને કારણે ડિફોલ્ટ રૂપે અક્ષમ છે સમસ્યાઓ ઉત્પાદકતા સાથે;
• LSTM એન્જિનમાં સફેદ અને કાળી યાદીઓ માટે ઉમેરાયેલ સમર્થન;
• Cmake પર આધારિત સુધારેલ બિલ્ડ સ્ક્રિપ્ટો.

સોર્સ: opennet.ru