izdanje sustava optičkog prepoznavanja teksta , koji podržava prepoznavanje UTF-8 znakova i tekstova na više od 100 jezika, uključujući ruski, kazahstanski, bjeloruski i ukrajinski. Rezultat se može čuvati kao otvoreni tekst, kao i u HTML formatima (hOCR), ALTO (XML), PDF i TSV. Sustav je prvotno razvijen u razdoblju od 1985. do 1995. godine u laboratoriju tvrtke Hewlett Packard, a 2005. godine kod je otvoren pod Apache licencom i od tada se razvijao uz sudjelovanje zaposlenika tvrtke Google. Izvorni tekstovi projekta pod licencom Apache 2.0.
Tesseract uključuje konzolnu alatku i biblioteku libtesseract za integraciju funkcionalnosti prepoznavanja teksta u druge aplikacije. Među podržanim Tesseract vanjskim about:support , i . Pružaju se dva motora za prepoznavanje: klasični, koji prepoznaje tekst na temelju šablona pojedinih znakova, i novi, koji se temelji na sustavu strojog učenja koristeći rekurrentnu neuronsku mrežu LSTM, optimiziranu za prepoznavanje cijelih redaka i koja omogućuje značajno povećanje točnosti. Gotovi modeli obučeni su za . Za optimizaciju performansi nude se moduli koji koriste OpenMP i SIMD instrukcije AVX2, AVX ili SSE4.1.
Glavne u Tesseract 4.1:
- Dodana mogućnost izlaza u XML formatu (Analyzed Layout and Text Object). Za korištenje ovog formata potrebno je pokrenuti aplikaciju s "tessaract ime_slike katalog_izlaza alto";
- Dodani su novi moduli za renderiranje LSTMBox i WordStrBox, koji pojednostavljuju proces obuke motora;
- Dodana podrška za pseudografiku u izgledu hOCR (HTML);
- Dodani su alternativni skripti napisani u Pythonu za obuku motora temeljenog na strojnog učenja;
- Proširene su optimizacije korištenjem AVX, AVX2 i SSE instrukcija;
- Podrška za OpenMP prema zadanim postavkama je onemogućena zbog performansi;
- U LSTM motoru dodana je podrška za bijele i crne liste;
- Poboljšani su scriptsi za izgradnju temeljen na Cmake.
Izvor: opennet.ru
