पाठ पहिचान प्रणाली Tesseract 5.2 को रिलीज

Tesseract 5.2 अप्टिकल पाठ पहिचान प्रणालीको रिलीज प्रकाशित गरिएको छ, रूसी, कजाख, बेलारूसी र युक्रेनी सहित 8 भन्दा बढी भाषाहरूमा UTF-100 क्यारेक्टरहरू र पाठहरूको मान्यतालाई समर्थन गर्दै। परिणाम सादा पाठ वा HTML (hOCR), ALTO (XML), PDF र TSV ढाँचाहरूमा बचत गर्न सकिन्छ। प्रणाली मूल रूपमा 1985-1995 मा Hewlett Packard प्रयोगशालामा सिर्जना गरिएको थियो; 2005 मा, कोड Apache लाइसेन्स अन्तर्गत खोलिएको थियो र Google कर्मचारीहरूको सहभागितामा थप विकास गरिएको थियो। परियोजनाको स्रोत कोड Apache 2.0 लाइसेन्स अन्तर्गत वितरण गरिएको छ।

Tesseract ले कन्सोल उपयोगिता र अन्य अनुप्रयोगहरूमा OCR कार्यक्षमता इम्बेड गर्नका लागि libtesseract पुस्तकालय समावेश गर्दछ। Tesseract लाई समर्थन गर्ने तेस्रो-पक्ष GUI इन्टरफेसहरूमा gImageReader, VietOCR र YAGF समावेश छन्। 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। 123 भाषाहरूको लागि तयार-निर्मित प्रशिक्षित मोडेलहरू प्रकाशित गरिएको छ। कार्यसम्पादनलाई अनुकूलन गर्न, OpenMP र SIMD निर्देशनहरू AVX2, AVX, AVX512F, NEON वा SSE4.1 प्रयोग गर्ने मोड्युलहरू प्रस्तावित छन्।

Tesseract 5.2 मा प्रमुख सुधारहरू:

• Intel AVX512F निर्देशनहरू प्रयोग गरी लागू गरिएको अनुकूलनहरू थपियो।
• C API ले मेमोरीबाट मेशिन लर्निङ मोडेल लोड गरेर टेसेरेक्ट प्रारम्भ गर्न कार्य लागू गर्दछ।
• invert_threshold प्यारामिटर थपियो, जसले पाठ स्ट्रिङको उल्टो स्तर निर्धारण गर्छ। पूर्वनिर्धारित मान ०.७ हो। उल्टो असक्षम गर्न, मान ० मा सेट गर्नुहोस्।
• 32-बिट होस्टहरूमा धेरै ठूला कागजातहरूको सुधारिएको प्रशोधन।
• std::regex प्रकार्यहरू प्रयोग गरेर std::string मा ट्रान्जिसन गरिएको छ।
• Autotools, CMake र निरन्तर एकीकरण प्रणालीहरूको लागि सुधारिएको निर्माण स्क्रिप्टहरू।

  स्रोत: opennet.ru