ტექსტის ამოცნობის სისტემის გამოშვება Tesseract 5.3.4

გამოქვეყნდა Tesseract 5.3.4 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, AVX512F, NEON ან SSE4.1.

ძირითადი გაუმჯობესებები:

• გაუმჯობესებული სურათის ამოცნობა URL-ით ფაილის გადმოტვირთვით libcurl ბიბლიოთეკის გამოყენებით. ჩატვირთვისას დაყენებულია User-Agent სათაური. დამატებულია ახალი პარამეტრი curl_cookiefile ქუქი-ფაილის გამოსაყენებლად.
• ScrollView სერვერი იყენებს TCP-ს, როგორც სასურველ პროტოკოლს.
• "combine_tessdata -d" ბრძანების გამოყენებისას, გამოსავალი მიეწოდება stdout-ს stderr-ის ნაცვლად.
• დაფიქსირდა აგების პრობლემები ავტომატური კონფის და ზარის გამოყენებისას.

წყარო: opennet.ru