पाठ पहिचान प्रणाली Tesseract 4.1 को रिलीज

तयार भयो अप्टिकल पाठ पहिचान प्रणाली को रिलीज Tesseract 4.1, रूसी, कजाख, बेलारूसी र युक्रेनी लगायत १०० भन्दा बढी भाषाहरूमा UTF-8 वर्ण र पाठहरूको पहिचानलाई समर्थन गर्दै। परिणाम सादा पाठ वा HTML (hOCR), ALTO (XML), PDF र TSV ढाँचाहरूमा बचत गर्न सकिन्छ। प्रणाली मूल रूपमा 100-1985 मा Hewlett Packard प्रयोगशालामा सिर्जना गरिएको थियो; 1995 मा, कोड Apache लाइसेन्स अन्तर्गत खोलिएको थियो र Google कर्मचारीहरूको सहभागितामा थप विकास गरिएको थियो। परियोजना स्रोतहरू फैलने Apache 2.0 अन्तर्गत इजाजतपत्र प्राप्त।

Tesseract ले कन्सोल उपयोगिता र अन्य अनुप्रयोगहरूमा OCR कार्यक्षमता इम्बेड गर्नका लागि libtesseract पुस्तकालय समावेश गर्दछ। Tesseract लाई समर्थन गर्ने तेस्रो पक्षहरूबाट GUI इन्टरफेसहरू तपाईले नोट गर्न सक्नुहुन्छ gImageReader, VietOCR и YAGF। दुई पहिचान इन्जिनहरू प्रस्ताव गरिएका छन्: एक क्लासिक जसले व्यक्तिगत क्यारेक्टर ढाँचाहरूको स्तरमा पाठ पहिचान गर्दछ, र नयाँ LSTM पुनरावर्ती न्यूरल नेटवर्कमा आधारित मेसिन लर्निङ प्रणालीको प्रयोगमा आधारित, सम्पूर्ण स्ट्रिङहरू पहिचान गर्न र अनुमति दिनको लागि अनुकूलित। शुद्धता मा उल्लेखनीय वृद्धि। तयार-निर्मित प्रशिक्षित मोडेलहरूका लागि प्रकाशित छन् 123 भाषाहरू। कार्यसम्पादनलाई अनुकूलन गर्न, OpenMP र AVX2, AVX वा SSE4.1 SIMD निर्देशनहरू प्रयोग गर्ने मोड्युलहरू प्रस्तावित छन्।

मुख्य सुधारहरू Tesseract 4.1 मा:

• XML ढाँचामा आउटपुट गर्ने क्षमता थपियो ALTO (विश्लेषण लेआउट र पाठ वस्तु)। यो ढाँचा प्रयोग गर्न, तपाईंले "tessaract image_name alto output_dir" को रूपमा अनुप्रयोग चलाउनु पर्छ;
• नयाँ रेन्डरिङ मोड्युलहरू LSTMBox र WordStrBox थपियो, इन्जिन प्रशिक्षणलाई सरल बनाउँदै;
• hOCR (HTML) आउटपुटमा स्यूडोग्राफिक्सको लागि समर्थन थपियो;
• मेसिन लर्निङमा आधारित इन्जिनलाई तालिम दिन पाइथनमा लेखिएका वैकल्पिक लिपिहरू थपियो;
• AVX, AVX2 र SSE निर्देशनहरू प्रयोग गरी विस्तारित अप्टिमाइजेसनहरू;
• OpenMP समर्थन पूर्वनिर्धारित रूपमा असक्षम गरिएको छ समस्याहरु उत्पादकता संग;
• LSTM इन्जिनमा सेतो र कालो सूचीहरूको लागि समर्थन थपियो;
• Cmake मा आधारित सुधारिएको निर्माण स्क्रिप्ट।

स्रोत: opennet.ru