पाठ पहचान प्रणाली Tesseract 4.1 का विमोचन

तैयार ऑप्टिकल टेक्स्ट रिकग्निशन सिस्टम का विमोचन टेसेरैक्ट 4.1, रूसी, कज़ाख, बेलारूसी और यूक्रेनी सहित 8 से अधिक भाषाओं में यूटीएफ -100 वर्णों और ग्रंथों की पहचान का समर्थन करता है। परिणाम सादे पाठ या HTML (hOCR), ALTO (XML), PDF और TSV प्रारूपों में सहेजा जा सकता है। सिस्टम मूल रूप से 1985-1995 में हेवलेट पैकर्ड प्रयोगशाला में बनाया गया था; 2005 में, अपाचे लाइसेंस के तहत कोड खोला गया था और Google कर्मचारियों की भागीदारी के साथ इसे और विकसित किया गया था। परियोजना स्रोत फैलाना अपाचे 2.0 के तहत लाइसेंस प्राप्त।

Tesseract में अन्य अनुप्रयोगों में OCR कार्यक्षमता को एम्बेड करने के लिए एक कंसोल उपयोगिता और libtesseract लाइब्रेरी शामिल है। तीसरे पक्षों से जो टेसेरैक्ट का समर्थन करते हैं जीयूआई इंटरफ़ेस आप नोट कर सकते हैं जी इमेजरीडर, VietOCR и यागफ. दो पहचान इंजन पेश किए जाते हैं: एक क्लासिक जो व्यक्तिगत चरित्र पैटर्न के स्तर पर पाठ को पहचानता है, और एक नया LSTM आवर्तक तंत्रिका नेटवर्क पर आधारित मशीन लर्निंग सिस्टम के उपयोग पर आधारित है, जो संपूर्ण स्ट्रिंग को पहचानने और अनुमति देने के लिए अनुकूलित है। सटीकता में उल्लेखनीय वृद्धि. रेडीमेड प्रशिक्षित मॉडल प्रकाशित किये जाते हैं 123 भाषाएँ. प्रदर्शन को अनुकूलित करने के लिए, OpenMP और AVX2, AVX या SSE4.1 SIMD निर्देशों का उपयोग करने वाले मॉड्यूल पेश किए जाते हैं।

मुख्य सुधार टेसेरैक्ट 4.1 में:

• XML प्रारूप में आउटपुट करने की क्षमता जोड़ी गई उच्च (विश्लेषण किया गया लेआउट और टेक्स्ट ऑब्जेक्ट)। इस प्रारूप का उपयोग करने के लिए, आपको एप्लिकेशन को "टेस्सारैक्ट इमेज_नेम ऑल्टो आउटपुट_डीआईआर" के रूप में चलाना चाहिए;
• इंजन प्रशिक्षण को सरल बनाते हुए नए रेंडरिंग मॉड्यूल LSTMBox और WordStrBox जोड़े गए;
• एचओसीआर (एचटीएमएल) आउटपुट में छद्मोग्राफिक्स के लिए समर्थन जोड़ा गया;
• मशीन लर्निंग के आधार पर इंजन को प्रशिक्षित करने के लिए पायथन में लिखी गई वैकल्पिक स्क्रिप्ट जोड़ी गईं;
• AVX, AVX2 और SSE निर्देशों का उपयोग करके विस्तारित अनुकूलन;
• ओपनएमपी समर्थन डिफ़ॉल्ट रूप से अक्षम है проблем उत्पादकता के साथ;
• LSTM इंजन में श्वेत और काली सूचियों के लिए समर्थन जोड़ा गया;
• Cmake पर आधारित बेहतर बिल्ड स्क्रिप्ट।

स्रोत: opennet.ru