ਟੈਕਸਟ ਰੀਕੋਗਨੀਸ਼ਨ ਸਿਸਟਮ ਟੈਸਰੈਕਟ 4.1 ਦੀ ਰੀਲੀਜ਼

ਤਿਆਰ ਕੀਤਾ ਆਪਟੀਕਲ ਟੈਕਸਟ ਮਾਨਤਾ ਪ੍ਰਣਾਲੀ ਦੀ ਰਿਹਾਈ ਟੈਸਰੈਕਟ 4.1, ਰੂਸੀ, ਕਜ਼ਾਖ, ਬੇਲਾਰੂਸੀ ਅਤੇ ਯੂਕਰੇਨੀ ਸਮੇਤ 8 ਤੋਂ ਵੱਧ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ UTF-100 ਅੱਖਰਾਂ ਅਤੇ ਟੈਕਸਟ ਦੀ ਮਾਨਤਾ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ। ਨਤੀਜਾ ਪਲੇਨ ਟੈਕਸਟ ਜਾਂ HTML (hOCR), ALTO (XML), PDF ਅਤੇ TSV ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਸਿਸਟਮ ਅਸਲ ਵਿੱਚ 1985-1995 ਵਿੱਚ ਹੇਵਲੇਟ ਪੈਕਾਰਡ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਬਣਾਇਆ ਗਿਆ ਸੀ; 2005 ਵਿੱਚ, ਕੋਡ ਨੂੰ ਅਪਾਚੇ ਲਾਇਸੰਸ ਦੇ ਤਹਿਤ ਖੋਲ੍ਹਿਆ ਗਿਆ ਸੀ ਅਤੇ ਗੂਗਲ ਕਰਮਚਾਰੀਆਂ ਦੀ ਭਾਗੀਦਾਰੀ ਨਾਲ ਅੱਗੇ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਪ੍ਰੋਜੈਕਟ ਸਰੋਤ ਫੈਲਣਾ ਅਪਾਚੇ 2.0 ਦੇ ਅਧੀਨ ਲਾਇਸੰਸਸ਼ੁਦਾ।

Tesseract ਵਿੱਚ ਹੋਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ OCR ਕਾਰਜਸ਼ੀਲਤਾ ਨੂੰ ਏਮਬੈਡ ਕਰਨ ਲਈ ਇੱਕ ਕੰਸੋਲ ਉਪਯੋਗਤਾ ਅਤੇ libtesseract ਲਾਇਬ੍ਰੇਰੀ ਸ਼ਾਮਲ ਹੈ। ਤੀਜੀ ਧਿਰਾਂ ਤੋਂ ਜੋ Tesseract ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ GUI ਇੰਟਰਫੇਸ ਤੁਸੀਂ ਨੋਟ ਕਰ ਸਕਦੇ ਹੋ gImageReader, VietOCR и YAGF. ਦੋ ਮਾਨਤਾ ਇੰਜਣਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: ਇੱਕ ਕਲਾਸਿਕ ਜੋ ਵਿਅਕਤੀਗਤ ਅੱਖਰ ਪੈਟਰਨਾਂ ਦੇ ਪੱਧਰ 'ਤੇ ਟੈਕਸਟ ਨੂੰ ਪਛਾਣਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਨਵਾਂ LSTM ਆਵਰਤੀ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ 'ਤੇ ਅਧਾਰਤ, ਸਮੁੱਚੀਆਂ ਤਾਰਾਂ ਨੂੰ ਪਛਾਣਨ ਲਈ ਅਨੁਕੂਲਿਤ ਅਤੇ ਇੱਕ ਲਈ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਾਧਾ. ਲਈ ਤਿਆਰ ਕੀਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ ਗਏ ਹਨ 123 ਭਾਸ਼ਾਵਾਂ. ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ, OpenMP ਅਤੇ AVX2, AVX ਜਾਂ SSE4.1 SIMD ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮੋਡਿਊਲ ਪੇਸ਼ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।

ਮੁੱਖ ਸੁਧਾਰ Tesseract 4.1 ਵਿੱਚ:

• XML ਫਾਰਮੈਟ ਵਿੱਚ ਆਉਟਪੁੱਟ ਕਰਨ ਦੀ ਯੋਗਤਾ ਸ਼ਾਮਲ ਕੀਤੀ ਗਈ ALTO (ਵਿਸ਼ਲੇਸ਼ਿਤ ਲੇਆਉਟ ਅਤੇ ਟੈਕਸਟ ਆਬਜੈਕਟ)। ਇਸ ਫਾਰਮੈਟ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ “tessaract image_name alto output_dir” ਵਜੋਂ ਚਲਾਉਣਾ ਚਾਹੀਦਾ ਹੈ;
• ਨਵੇਂ ਰੈਂਡਰਿੰਗ ਮੋਡੀਊਲ LSTMBox ਅਤੇ WordStrBox ਨੂੰ ਜੋੜਿਆ ਗਿਆ, ਇੰਜਣ ਸਿਖਲਾਈ ਨੂੰ ਸਰਲ ਬਣਾਉਣਾ;
• hOCR (HTML) ਆਉਟਪੁੱਟ ਵਿੱਚ ਸੂਡੋਗ੍ਰਾਫਿਕਸ ਲਈ ਸਮਰਥਨ ਜੋੜਿਆ ਗਿਆ;
• ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਆਧਾਰ 'ਤੇ ਇੰਜਣ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਪਾਈਥਨ ਵਿੱਚ ਲਿਖੀਆਂ ਵਿਕਲਪਕ ਸਕ੍ਰਿਪਟਾਂ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਗਈਆਂ;
• AVX, AVX2 ਅਤੇ SSE ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਿਸਤ੍ਰਿਤ ਓਪਟੀਮਾਈਜੇਸ਼ਨ;
• ਓਪਨਐਮਪੀ ਸਮਰਥਨ ਮੂਲ ਰੂਪ ਵਿੱਚ ਇਸ ਕਾਰਨ ਅਸਮਰੱਥ ਹੈ ਸਮੱਸਿਆਵਾਂ ਉਤਪਾਦਕਤਾ ਦੇ ਨਾਲ;
• LSTM ਇੰਜਣ ਵਿੱਚ ਚਿੱਟੀਆਂ ਅਤੇ ਕਾਲੀਆਂ ਸੂਚੀਆਂ ਲਈ ਸਮਰਥਨ ਜੋੜਿਆ ਗਿਆ;
• Cmake 'ਤੇ ਆਧਾਰਿਤ ਬਿਲਡ ਸਕ੍ਰਿਪਟਾਂ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਗਿਆ ਹੈ।

ਸਰੋਤ: opennet.ru