Objavljen je novi izdanak sustava optičkog prepoznavanja teksta Tesseract 4.1 koji podržava prepoznavanje UTF-8 znakova i tekstova na više od 100 jezika, uključujući ruski, kazahstanski, bjeloruski i ukrajinski. Rezultat se može spremati kao običan tekst ili u formatima HTML (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 objavljen pod Apache licencom i dalje se razvijao uz sudjelovanje zaposlenika tvrtke Google. Izvorni tekstovi projekta objavljeni su pod licencom Apache 2.0.
Tesseract uključuje konzolnu utilitu i biblioteku libtesseract za integraciju funkcija prepoznavanja teksta u druge aplikacije. Od podržanih Tesseract GUI sučelja mogu se istaknuti gImageReader, VietOCR i YAGF. Nudi se dva prepoznavača: klasični, koji prepoznaje tekst na razini uzoraka pojedinačnih znakova, i novi, koji se temelji na primjeni sustava strojnog učenja koristeći rekurentnu neuronsku mrežu LSTM, optimiziranu za prepoznavanje cijelih redaka i omogućavajući značajno povećanje točnosti. Gotovi trenirani modeli objavljeni su za 123 jezika. Za optimizaciju performansi nude se moduli koji koriste OpenMP i SIMD instrukcije AVX2, AVX, NEON ili SSE4.1.
Glavna poboljšanja u Tesseract 5.0:
- Značajna promjena broja verzije povezana je s promjenama u API-ju koje narušavaju kompatibilnost. Naime, javno dostupni API libtesseract više nije vezan uz vlasničke tipove podataka GenericVector i STRING, umjesto kojih se u kodu koriste std::string i std::vector.
- Reorganizirano je stablo izvornih tekstova. Javne zaglavlja premještena su u direktorij include/tesseract.
- Preuređeno je upravljanje memorijom, svi pozivi malloc i free zamijenjeni su C++ kodom. Provedena je opća modernizacija koda.
- Dodane su optimizacije za ARM i ARM64 arhitekture, koristeći ARM NEON instrukcije za ubrzanje izračuna. Provedena je opća optimizacija performansi za sve arhitekture.
- Implementirani su novi načini treniranja modela i prepoznavanja teksta, koji se temelje na upotrebi izračuna s pomičnom decimalnom točkom. Novi načini karakteriziraju veća učinkovitost i smanjena potrošnja memorije. U LSTM motoru, brzi način float32 uključen je prema zadanim postavkama.
- Provedena je promjena na korištenje Unicode normalizacije koristeći NFC formu (Normalizacijski oblik kanonički).
- Dodana je opcija za podešavanje razine detaljnosti logova (—loglevel).
- Prepravljena je sustav gradnje temeljen na Autotools, koji je premađen na gradnju u nerekurzivnom načinu.
- Grana «master» u Gitu preimenovana je u «main».
- Dodana je podrška za nove verzije macOS-a i sustava Apple koji koristi čip M1.
Izvor: opennet.ru
