ტექსტის ამოცნობის სისტემის გამოშვება Tesseract 5.0

გამოქვეყნდა Tesseract 4.1 ოპტიკური ტექსტის ამოცნობის სისტემის გამოშვება, რომელიც მხარს უჭერს UTF-8 სიმბოლოების და ტექსტების ამოცნობას 100-ზე მეტ ენაზე, მათ შორის რუსულ, ყაზახურ, ბელორუსულ და უკრაინულ ენაზე. 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-ს ლიცენზიით და შემდგომ განვითარდა Google-ის თანამშრომლების მონაწილეობით. პროექტის წყაროს კოდი ნაწილდება Apache 2.0 ლიცენზიით.

Tesseract მოიცავს კონსოლის პროგრამას და libtesseract ბიბლიოთეკას სხვა აპლიკაციებში OCR ფუნქციების ჩასართავად. მესამე მხარის GUI ინტერფეისები, რომლებიც მხარს უჭერენ Tesseract-ს, მოიცავს gImageReader, VietOCR და 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. მზა მომზადებული მოდელები გამოქვეყნებულია 123 ენაზე. შესრულების ოპტიმიზაციისთვის, შემოთავაზებულია მოდულები OpenMP და SIMD ინსტრუქციების გამოყენებით AVX2, AVX, NEON ან SSE4.1.

ძირითადი გაუმჯობესებები Tesseract 5.0-ში:

• Значительное изменение номера версии связано с внесением в API изменений, нарушающих совместимость. В частности, публично доступный API libtesseract больше не привязан к проприетарным типам данных GenericVector и STRING, вместо которых в коде задействованы std::string и std::vector.
• Проведена реорганизация дерева исходных текстов. Публичные заголовочные файлы перемещены в каталог include/tesseract.
• Переработано управление памятью, все вызовы malloc и free заменены на код C++. Проведена общая модернизация кода.
• Добавлены оптимизации для архитектур ARM и ARM64, для ускорения вычислений задействованы инструкции ARM NEON. Проведена общая для всех архитектур оптимизация производительности.
• Реализованы новые режимы тренировки моделей и распознавания текста, основанные на использовании вычислений с плавающей запятой. Новые режимы отличаются более высокой производительностью и снижением потребления памяти. В движке LSTM быстрый режим float32 включён по умолчанию.
• Осуществлён переход на использование нормализации Unicode с использованием формы NFC (Normalization Form Canonical).
• Добавлена опция для настройки детализации логов (—loglevel).
• Переработана система сборки на основе Autotools, которая переведена на сборку в нерекурсивном режиме.
• Ветка «master» в Git переименована в «main».
• Добавлена поддержка новых выпусков macOS и систем Apple на базе чипа M1.
  
  წყარო: opennet.ru