ਟੈਕਸਟ ਰੀਕੋਗਨੀਸ਼ਨ ਸਿਸਟਮ ਟੈਸਰੈਕਟ 5.1 ਦੀ ਰੀਲੀਜ਼

Tesseract 5.1 ਆਪਟੀਕਲ ਟੈਕਸਟ ਪਛਾਣ ਪ੍ਰਣਾਲੀ ਦੀ ਰਿਲੀਜ਼ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੀ ਗਈ ਹੈ, ਰੂਸੀ, ਕਜ਼ਾਖ, ਬੇਲਾਰੂਸੀਅਨ ਅਤੇ ਯੂਕਰੇਨੀ ਸਮੇਤ 8 ਤੋਂ ਵੱਧ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ UTF-100 ਅੱਖਰਾਂ ਅਤੇ ਟੈਕਸਟ ਦੀ ਮਾਨਤਾ ਦਾ ਸਮਰਥਨ ਕਰਦੀ 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 ਦਾ ਸਰੋਤ ਕੋਡ ਅਪਾਚੇ 2.0 ਲਾਇਸੰਸ ਦੇ ਤਹਿਤ ਵੰਡਿਆ ਗਿਆ ਹੈ।

Tesseract ਵਿੱਚ ਹੋਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ OCR ਕਾਰਜਸ਼ੀਲਤਾ ਨੂੰ ਏਮਬੈਡ ਕਰਨ ਲਈ ਇੱਕ ਕੰਸੋਲ ਉਪਯੋਗਤਾ ਅਤੇ libtesseract ਲਾਇਬ੍ਰੇਰੀ ਸ਼ਾਮਲ ਹੈ। ਤੀਜੀ-ਧਿਰ ਦੇ GUI ਇੰਟਰਫੇਸ ਜੋ Tesseract ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ, ਵਿੱਚ gImageReader, VietOCR ਅਤੇ YAGF ਸ਼ਾਮਲ ਹਨ। 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. 123 ਭਾਸ਼ਾਵਾਂ ਲਈ ਤਿਆਰ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ ਗਏ ਹਨ। ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ, OpenMP ਅਤੇ SIMD ਨਿਰਦੇਸ਼ AVX2, AVX, NEON ਜਾਂ SSE4.1 ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮੋਡਿਊਲ ਪੇਸ਼ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।

Tesseract 5.1 ਵਿੱਚ ਮੁੱਖ ਸੁਧਾਰ:

• ALTO, hOCR ਅਤੇ ਟੈਕਸਟ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਆਉਟਪੁੱਟ ਕਰਦੇ ਸਮੇਂ ਚਿੱਤਰਾਂ ਅਤੇ ਲਾਈਨਾਂ ਵਾਲੇ ਖੇਤਰਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ।
• ਨਵਾਂ ਪੈਰਾਮੀਟਰ curl_timeout lkz curl_easy_setop ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ।
• ਸੁਧਾਰੀ ਬਿਲਡ ਸਿਸਟਮ.
• ਨਾ ਵਰਤੇ ਕੋਡ ਨੂੰ ਹਟਾਉਣ ਲਈ ਕੰਮ ਕੀਤਾ ਗਿਆ ਹੈ
• PageIterator::Orientation ਕਲਾਸ ਵਿੱਚ null ਪੁਆਇੰਟਰਾਂ ਦੇ ਗਲਤ ਪ੍ਰਬੰਧਨ ਦੇ ਕਾਰਨ ਸਥਿਰ ਕਰੈਸ਼।

ਸਰੋਤ: opennet.ru