שחרור מערכת זיהוי הטקסט Tesseract 5.2

פרסום מערכת זיהוי הטקסט האופטי Tesseract 5.2, התומכת בזיהוי של תווים וטקסטים של UTF-8 ביותר מ-100 שפות, כולל רוסית, קזחית, בלארוסית ואוקראינית. ניתן לשמור את התוצאה בטקסט רגיל או בפורמטים HTML (hOCR), ALTO (XML), PDF ו-TSV. המערכת נוצרה במקור בשנים 1985-1995 במעבדת Hewlett Packard; בשנת 2005, הקוד נפתח תחת רישיון Apache ופותח בהמשך בהשתתפות עובדי גוגל. קוד המקור של הפרויקט מופץ תחת רישיון Apache 2.0.

Tesseract כוללת כלי עזר למסוף ואת ספריית libtesseract להטמעת פונקציונליות OCR באפליקציות אחרות. ממשקי GUI של צד שלישי התומכים ב-Tesseract כוללים gImageReader, VietOCR ו-YAGF. מוצעים שני מנועי זיהוי: קלאסי המזהה טקסט ברמה של תבניות תווים בודדות, וחדש המבוסס על שימוש במערכת למידת מכונה המבוססת על רשת נוירונים חוזרת LSTM, מותאמת לזיהוי מחרוזות שלמות ומאפשרת עלייה משמעותית ברמת הדיוק. דגמים מאומנים מוכנים פורסמו עבור 123 שפות. כדי לייעל את הביצועים, מוצעים מודולים המשתמשים בהוראות OpenMP ו- SIMD AVX2, AVX, AVX512F, NEON או SSE4.1.

שיפורים עיקריים ב-Tesseract 5.2:

• נוספו אופטימיזציות שהוטמעו באמצעות הוראות Intel AVX512F.
• ה-C API מיישם פונקציה לאתחול tesseract עם טעינת מודל למידת מכונה מהזיכרון.
• נוסף הפרמטר invert_threshold, שקובע את רמת ההיפוך של מחרוזות טקסט. ערך ברירת המחדל הוא 0.7. כדי לבטל היפוך, הגדר את הערך ל-0.
• עיבוד משופר של מסמכים גדולים מאוד במארחים של 32 סיביות.
• המעבר נעשה משימוש בפונקציות std::regex ל-std::string.
• סקריפטים לבנייה משופרים עבור Autotools, CMake ומערכות אינטגרציה רציפה.

  מקור: OpenNet.ru