문자 인식 시스템 Tesseract 5.0 출시

Tesseract 4.1 광학 텍스트 인식 시스템이 출시되어 러시아어, 카자흐어, 벨로루시어 및 우크라이나어를 포함한 8개 이상의 언어로 UTF-100 문자 및 텍스트 인식을 지원합니다. 결과는 일반 텍스트나 HTML(hOCR), ALTO(XML), PDF 및 TSV 형식으로 저장할 수 있습니다. 이 시스템은 원래 Hewlett Packard 연구소에서 1985~1995년에 만들어졌으며, 2005년에 코드는 Apache 라이센스에 따라 공개되었으며 Google 직원의 참여로 더욱 개발되었습니다. 프로젝트의 소스 코드는 Apache 2.0 라이센스에 따라 배포됩니다.

Tesseract에는 OCR 기능을 다른 애플리케이션에 내장하기 위한 콘솔 유틸리티와 libtesseract 라이브러리가 포함되어 있습니다. Tesseract를 지원하는 타사 GUI 인터페이스에는 gImageReader, VietOCR 및 YAGF가 포함됩니다. 두 가지 인식 엔진이 제공됩니다. 개별 문자 패턴 수준에서 텍스트를 인식하는 클래식 엔진과 LSTM 순환 신경망 기반 기계 학습 시스템을 사용하는 새로운 엔진은 전체 문자열을 인식하고 정확도가 크게 향상됩니다. 기성 학습 모델이 123개 언어로 게시되었습니다. 성능을 최적화하기 위해 OpenMP 및 SIMD 명령어 AVX2, AVX, NEON 또는 SSE4.1을 사용하는 모듈이 제공됩니다.

Tesseract 5.0의 주요 개선 사항:

• 버전 번호가 크게 변경된 것은 호환성을 깨뜨리는 API 변경으로 인한 것입니다. 특히, 공개적으로 사용 가능한 libtesseract API는 더 이상 독점 GenericVector 및 STRING 데이터 유형에 연결되지 않고 std::string 및 std::Vector를 선호합니다.
• 소스 텍스트 트리가 재구성되었습니다. 공용 헤더 파일이 include/tesseract 디렉토리로 이동되었습니다.
• 메모리 관리가 재설계되었으며 모든 malloc 및 free 호출이 C++ 코드로 대체되었습니다. 코드의 일반적인 현대화가 수행되었습니다.
• ARM 및 ARM64 아키텍처에 대한 최적화가 추가되었습니다. ARM NEON 명령어는 계산 속도를 높이는 데 사용됩니다. 모든 아키텍처에 공통적인 성능 최적화가 수행되었습니다.
• 부동 소수점 계산을 기반으로 한 훈련 모델 및 텍스트 인식을 위한 새로운 모드가 구현되었습니다. 새로운 모드는 더 높은 성능과 더 낮은 메모리 소비를 제공합니다. LSTM 엔진에서는 float32 빠른 모드가 기본적으로 활성화되어 있습니다.
• NFC(Normalization Form Canonical) 형식을 사용하여 유니코드 정규화를 사용하도록 전환되었습니다.
• 로그 세부 정보를 구성하는 옵션(--loglevel)이 추가되었습니다.
• Autotools 기반 빌드 시스템이 재설계되었으며 비재귀 모드로 빌드하도록 전환되었습니다.
• Git의 "마스터" 브랜치 이름이 "메인"으로 변경되었습니다.
• M1 칩을 기반으로 하는 macOS 및 Apple 시스템의 새로운 릴리스에 대한 지원이 추가되었습니다.
  
  출처 : opennet.ru