ტექსტის ამოცნობის სისტემის გამოშვება Tesseract 4.1

მომზადებული ტექსტის ამოცნობის ოპტიკური სისტემის გამოშვება Tesseract 4.1, მხარს უჭერს UTF-8 სიმბოლოების და ტექსტების ამოცნობას 100-ზე მეტ ენაზე, მათ შორის რუსული, ყაზახური, ბელორუსული და უკრაინული. შედეგი შეიძლება შენახული იყოს უბრალო ტექსტში ან HTML (hOCR), ALTO (XML), PDF და TSV ფორმატებში. სისტემა თავდაპირველად შეიქმნა 1985-1995 წლებში Hewlett Packard-ის ლაბორატორიაში; 2005 წელს კოდი გაიხსნა Apache ლიცენზიით და შემდგომ განვითარდა Google-ის თანამშრომლების მონაწილეობით. პროექტის წყაროები გავრცელება ლიცენზირებულია Apache 2.0-ით.

Tesseract მოიცავს კონსოლის პროგრამას და libtesseract ბიბლიოთეკას სხვა აპლიკაციებში OCR ფუნქციების ჩასართავად. მესამე მხარისგან, რომლებიც მხარს უჭერენ Tesseract-ს GUI ინტერფეისები შეგიძლიათ შენიშნოთ gImageReader, VietOCR и YAGF. შემოთავაზებულია ორი ამოცნობის ძრავა: კლასიკური, რომელიც ამოიცნობს ტექსტს ინდივიდუალური სიმბოლოების ნიმუშების დონეზე, და ახალი, რომელიც დაფუძნებულია მანქანათმცოდნეობის სისტემის გამოყენებაზე, რომელიც დაფუძნებულია LSTM მორეციდივე ნერვულ ქსელზე, ოპტიმიზირებულია მთელი სტრიქონების ამოცნობისთვის და საშუალებას იძლევა სიზუსტის მნიშვნელოვანი ზრდა. გამოქვეყნებულია მზა მომზადებული მოდელები 123 ენა. შესრულების ოპტიმიზაციისთვის, შემოთავაზებულია მოდულები OpenMP და AVX2, AVX ან SSE4.1 SIMD ინსტრუქციების გამოყენებით.

მთავარი გაუმჯობესებები Tesseract 4.1-ში:

• დამატებულია XML ფორმატში გამოტანის შესაძლებლობა HIGH (გაანალიზებული განლაგება და ტექსტის ობიექტი). ამ ფორმატის გამოსაყენებლად, თქვენ უნდა გაუშვათ აპლიკაცია როგორც “tessaract image_name alto output_dir”;
• დამატებულია ახალი რენდერის მოდულები LSTMBox და WordStrBox, ძრავის ტრენინგის გამარტივება;
• დამატებულია ფსევდოგრაფიის მხარდაჭერა hOCR (HTML) გამოსავალში;
• დაემატა პითონში დაწერილი ალტერნატიული სკრიპტები ძრავის სწავლებისთვის მანქანური სწავლების საფუძველზე;
• გაფართოებული ოპტიმიზაცია AVX, AVX2 და SSE ინსტრუქციების გამოყენებით;
• OpenMP მხარდაჭერა ნაგულისხმევად გამორთულია იმის გამო პრობლემები პროდუქტიულობით;
• დამატებულია თეთრი და შავი სიების მხარდაჭერა LSTM ძრავში;
• გაუმჯობესებული build სკრიპტები Cmake-ზე დაფუძნებული.

წყარო: opennet.ru