È stato pubblicato il rilascio del sistema di riconoscimento ottico del testo Tesseract 5.2, che supporta il riconoscimento di caratteri e testi UTF-8 in più di 100 lingue, tra cui russo, kazako, bielorusso e ucraino. Il risultato può essere salvato in testo semplice o nei formati HTML (hOCR), ALTO (XML), PDF e TSV. Il sistema è stato originariamente creato nel 1985-1995 nel laboratorio Hewlett Packard, nel 2005 il codice è stato aperto sotto la licenza Apache e ulteriormente sviluppato con la partecipazione dei dipendenti di Google. Il codice sorgente del progetto è distribuito sotto la licenza Apache 2.0.
Tesseract include un'utilità console e la libreria libtesseract per incorporare la funzionalità OCR in altre applicazioni. Le interfacce GUI di terze parti che supportano Tesseract includono gImageReader, VietOCR e YAGF. Vengono offerti due motori di riconoscimento: uno classico che riconosce il testo a livello di singoli pattern di caratteri, ed uno nuovo basato sull'utilizzo di un sistema di machine learning basato su una rete neurale ricorrente LSTM, ottimizzato per riconoscere intere stringhe e consentire un aumento significativo della precisione. Sono stati pubblicati modelli addestrati già pronti per 123 lingue. Per ottimizzare le prestazioni, vengono offerti moduli che utilizzano istruzioni OpenMP e SIMD AVX2, AVX, AVX512F, NEON o SSE4.1.
Principali miglioramenti in Tesseract 5.2:
- Aggiunte ottimizzazioni implementate utilizzando le istruzioni Intel AVX512F.
- L'API C implementa una funzione per inizializzare tesseract caricando un modello di machine learning dalla memoria.
- Aggiunto il parametro invert_threshold, che determina il livello di inversione delle stringhe di testo. Il valore predefinito è 0.7. Per disabilitare l'inversione, impostare il valore su 0.
- Elaborazione migliorata di documenti di grandi dimensioni su host a 32 bit.
- È stata effettuata la transizione dall'utilizzo delle funzioni std::regex a std::string.
- Script di compilazione migliorati per Autotools, CMake e sistemi di integrazione continua.
Fonte: opennet.ru