utgivelse av optisk tekstgjenkjenningssystem , som støtter gjenkjenning av UTF-8-tegn og tekster på mer enn 100 språk, inkludert russisk, kasakhisk, hviterussisk og ukrainsk. Resultatet kan lagres i ren tekst eller i HTML (hOCR), ALTO (XML), PDF og TSV formater. Systemet ble opprinnelig opprettet i 1985-1995 i Hewlett Packard-laboratoriet; i 2005 ble koden åpnet under Apache-lisensen og ble videreutviklet med deltakelse av Google-ansatte. Prosjektkilder lisensiert under Apache 2.0.
Tesseract inkluderer et konsollverktøy og libtesseract-biblioteket for å bygge inn OCR-funksjonalitet i andre applikasjoner. Fra tredjeparter som støtter Tesseract du kan merke , и . To gjenkjenningsmotorer tilbys: en klassisk som gjenkjenner tekst på nivå med individuelle tegnmønstre, og en ny basert på bruk av et maskinlæringssystem basert på et LSTM tilbakevendende nevralt nettverk, optimert for å gjenkjenne hele strenger og muliggjøre en betydelig økning i nøyaktighet. Ferdige opplærte modeller er publisert for . For å optimalisere ytelsen tilbys moduler som bruker OpenMP og AVX2, AVX eller SSE4.1 SIMD-instruksjoner.
Den viktigste i Tesseract 4.1:
- Lagt til muligheten til å skrive ut i XML-format (Analysert layout og tekstobjekt). For å bruke dette formatet, bør du kjøre programmet som "tessaract image_name alto output_dir";
- Lagt til nye gjengivelsesmoduler LSTMBox og WordStrBox, noe som forenkler motoropplæringen;
- Lagt til støtte for pseudografikk i hOCR (HTML) utgang;
- Lagt til alternative skript skrevet i Python for opplæring av motoren basert på maskinlæring;
- Utvidede optimaliseringer ved bruk av AVX-, AVX2- og SSE-instruksjoner;
- OpenMP-støtte er deaktivert som standard pga med produktivitet;
- Lagt til støtte for hvite og svarte lister i LSTM-motoren;
- Forbedrede byggeskript basert på Cmake.
Kilde: opennet.ru