मजकूर ओळख प्रणालीचे प्रकाशन टेसरॅक्ट 5.2

Tesseract 5.2 ऑप्टिकल मजकूर ओळख प्रणालीचे प्रकाशन प्रकाशित केले गेले आहे, रशियन, कझाक, बेलारशियन आणि युक्रेनियनसह 8 पेक्षा जास्त भाषांमध्ये UTF-100 वर्ण आणि मजकूर ओळखण्यास समर्थन देते. परिणाम साध्या मजकूरात किंवा HTML (hOCR), ALTO (XML), PDF आणि TSV फॉरमॅटमध्ये जतन केला जाऊ शकतो. ही प्रणाली मूळतः 1985-1995 मध्ये हेवलेट पॅकार्ड प्रयोगशाळेत तयार करण्यात आली होती; 2005 मध्ये, कोड अपाचे परवान्याअंतर्गत उघडण्यात आला आणि Google कर्मचार्‍यांच्या सहभागाने पुढे विकसित करण्यात आला. प्रकल्पाचा स्त्रोत कोड Apache 2.0 लायसन्स अंतर्गत वितरित केला जातो.

Tesseract मध्ये कन्सोल युटिलिटी आणि libtesseract लायब्ररी इतर ऍप्लिकेशन्समध्ये OCR कार्यक्षमता एम्बेड करण्यासाठी समाविष्ट आहे. Tesseract चे समर्थन करणारे तृतीय-पक्ष GUI इंटरफेसमध्ये gImageReader, VietOCR आणि YAGF यांचा समावेश होतो. 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. 123 भाषांसाठी तयार प्रशिक्षित मॉडेल प्रकाशित करण्यात आले आहेत. कार्यप्रदर्शन ऑप्टिमाइझ करण्यासाठी, OpenMP आणि SIMD सूचना AVX2, AVX, AVX512F, NEON किंवा SSE4.1 वापरून मॉड्यूल ऑफर केले जातात.

Tesseract 5.2 मधील प्रमुख सुधारणा:

• Intel AVX512F सूचना वापरून लागू केलेली ऑप्टिमायझेशन जोडली.
• C API मेमरीमधून मशीन लर्निंग मॉडेल लोड करून टेसरॅक्ट सुरू करण्यासाठी फंक्शन लागू करते.
• invert_threshold पॅरामीटर जोडले, जे मजकूर स्ट्रिंगच्या उलथापालथाची पातळी निर्धारित करते. डीफॉल्ट मूल्य 0.7 आहे. उलथापालथ अक्षम करण्यासाठी, मूल्य 0 वर सेट करा.
• 32-बिट होस्टवर खूप मोठ्या कागदपत्रांची सुधारित प्रक्रिया.
• std::regex फंक्शन्स वापरून std::string मध्ये संक्रमण केले आहे.
• Autotools, CMake आणि सतत एकीकरण प्रणालीसाठी सुधारित बिल्ड स्क्रिप्ट.

  स्त्रोत: opennet.ru