मजकूर ओळख प्रणालीचे प्रकाशन टेसरॅक्ट 4.1

तयार केले ऑप्टिकल मजकूर ओळख प्रणालीचे प्रकाशन टेसरॅक्ट 4.1, रशियन, कझाक, बेलारशियन आणि युक्रेनियनसह 8 हून अधिक भाषांमध्ये UTF-100 वर्ण आणि मजकूर ओळखण्यासाठी समर्थन. परिणाम साध्या मजकूरात किंवा HTML (hOCR), ALTO (XML), PDF आणि TSV फॉरमॅटमध्ये जतन केला जाऊ शकतो. ही प्रणाली मूळतः 1985-1995 मध्ये Hewlett Packard प्रयोगशाळेत तयार करण्यात आली होती; 2005 मध्ये, कोड Apache परवान्याअंतर्गत उघडण्यात आला आणि Google कर्मचार्‍यांच्या सहभागाने पुढे विकसित करण्यात आला. प्रकल्प स्रोत प्रसार Apache 2.0 अंतर्गत परवानाकृत.

Tesseract मध्ये कन्सोल युटिलिटी आणि libtesseract लायब्ररी इतर ऍप्लिकेशन्समध्ये OCR कार्यक्षमता एम्बेड करण्यासाठी समाविष्ट आहे. Tesseract चे समर्थन करणार्‍या तृतीय पक्षांकडून GUI इंटरफेस आपण नोंद करू शकता gImageReader, VietOCR и YAGF. दोन ओळख इंजिन ऑफर केले जातात: एक क्लासिक जे वैयक्तिक वर्ण नमुन्यांच्या पातळीवर मजकूर ओळखते आणि एक नवीन LSTM रिकरंट न्यूरल नेटवर्कवर आधारित मशीन लर्निंग सिस्टमच्या वापरावर आधारित, संपूर्ण स्ट्रिंग ओळखण्यासाठी ऑप्टिमाइझ केलेले आणि परवानगी देते. अचूकतेमध्ये लक्षणीय वाढ. साठी तयार प्रशिक्षित मॉडेल प्रकाशित केले आहेत 123 भाषा. कार्यप्रदर्शन ऑप्टिमाइझ करण्यासाठी, OpenMP आणि AVX2, AVX किंवा SSE4.1 SIMD सूचना वापरणारे मॉड्यूल्स ऑफर केले जातात.

मुख्य सुधारणा टेसरॅक्ट 4.1 मध्ये:

• XML स्वरूपात आउटपुट करण्याची क्षमता जोडली उच्च (विश्लेषित मांडणी आणि मजकूर ऑब्जेक्ट). हे स्वरूप वापरण्यासाठी, तुम्ही अनुप्रयोग “tessaract image_name alto output_dir” म्हणून चालवावा;
• नवीन रेंडरींग मॉड्यूल्स LSTMBox आणि WordStrBox जोडले, इंजिन प्रशिक्षण सोपे केले;
• hOCR (HTML) आउटपुटमध्ये स्यूडोग्राफिक्ससाठी समर्थन जोडले;
• मशीन लर्निंगवर आधारित इंजिनला प्रशिक्षण देण्यासाठी Python मध्ये लिहिलेल्या पर्यायी स्क्रिप्ट्स जोडल्या;
• AVX, AVX2 आणि SSE सूचना वापरून विस्तारित ऑप्टिमायझेशन;
• मुळे ओपनएमपी समर्थन डीफॉल्टनुसार अक्षम केले आहे समस्या उत्पादकता सह;
• LSTM इंजिनमध्ये पांढऱ्या आणि काळ्या सूचीसाठी समर्थन जोडले;
• Cmake वर आधारित सुधारित बिल्ड स्क्रिप्ट.

स्त्रोत: opennet.ru