पाठ पहिचान प्रणाली Tesseract 5.3.4 को रिलीज

Tesseract 5.3.4 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।

मुख्य सुधारहरू:

• Улучшено распознавание изображений по URL с загрузкой файла при помощи библиотеки libcurl. При загрузке обеспечено выставление заголовка User-Agent. Добавлен новый параметр curl_cookiefile для использования файла с Cookie.
• В сервере ScrollView в качестве приоритетного протокола задействован TCP.
• При использовании команды «combine_tessdata -d» обеспечен вывод в поток stdout вместо stderr.
• Устранены проблемы со сборкой при использовании autoconf и clang.

स्रोत: opennet.ru