Optikai karakterfelismerő rendszer kiadása , amely támogatja az UTF-8 karakterek és több mint 100 nyelv, köztük orosz, kazah, fehérorosz és ukrán szövegek felismerését. Az eredmény nyílt szövegként, valamint HTML (hOCR), ALTO (XML), PDF és TSV formátumban is menthető. A rendszert eredetileg 1985-1995 között fejlesztették a Hewlett Packard laboratóriumában, 2005-ben a kódot nyíltan elérhetővé tették Apache licensz alatt, és ezt követően a Google alkalmazottainak részvételével fejlődött. A projekt forráskódjai Apache 2.0 licenc alatt.
A Tesseract tartalmaz egy parancssori alkalmazást és a libtesseract könyvtárat a szövegfelismerési funkciók más alkalmazásokba való beágyazására. A Tesseract által támogatott harmadik felek kiemelhetjük , és . Két felismerési motort kínál: a klasszikus, amely a karakterek egyedi sablonjait ismeri fel, és az új, amely a LSTM alapú gépi tanulási rendszeren alapul, optimalizálva a teljes sorok felismerésére, és jelentős pontosságnövekedést tesz lehetővé. Az elkészült, betanított modellek 123 nyelvhez érhetők el . A teljesítmény optimalizálásához OpenMP és AVX2, AVX vagy SSE4.1 utasításokat használó modulok állnak rendelkezésre.
Fő A Tesseract 4.1-ben:
- XML formátumú kimenet lehetősége hozzáadva (Analyzed Layout and Text Object). Ehhez a formátumhoz az alkalmazást a következőképpen kell elindítani: «tessaract kép_neve kimeneti_könyvtár alto»;
- Új LSTMBox és WordStrBox renderelő modulok hozzáadva a motor képzésének egyszerűsítésére;
- HOCR (HTML) kimenetben a pseudografika támogatása hozzáadva;
- Python nyelven írt alternatív szkriptek hozzáadva a gépi tanulási motor betanításához;
- Az AVX, AVX2 és SSE utasításokkal kapcsolatos optimalizációk kibővítve;
- Alapértelmezés szerint az OpenMP támogatás letiltva a teljesítmény miatt;
- Az LSTM motorban fehér és fekete listák támogatása hozzáadva;
- Javított Cmake alapú összeállítási szkriptek.
Forrás: opennet.ru
