wydanie systemu optycznego rozpoznawania tekstu , wspierającego rozpoznawanie znaków UTF-8 oraz tekstów w ponad 100 językach, w tym rosyjskim, kazachskim, białoruskim i ukraińskim. Wynik można zapisywać zarówno jako zwykły tekst, jak i w formatach HTML (hOCR), ALTO (XML), PDF i TSV. System został pierwotnie stworzony w latach 1985-1995 w laboratorium firmy Hewlett Packard, a w 2005 roku kod został udostępniony na licencji Apache i rozwijany z udziałem pracowników firmy Google. Źródłowe teksty projektu na licencji Apache 2.0.
Tesseract zawiera konsolowe narzędzie oraz bibliotekę libtesseract do wbudowywania funkcji rozpoznawania tekstu w innych aplikacjach. Wśród wspierających Tesseract zewnętrznych można wymienić , i . Oferowane są dwa silniki rozpoznawania: klasyczny, rozpoznający tekst na poziomie szablonów pojedynczych znaków, oraz nowy, oparty na zastosowaniu systemu uczenia maszynowego opartego na rekurencyjnych sieciach neuronowych LSTM, zoptymalizowany do rozpoznawania całych linii, co pozwala na znaczące zwiększenie dokładności. Gotowe wytrenowane modele opublikowane są dla . W celu optymalizacji wydajności oferowane są moduły wykorzystujące OpenMP oraz instrukcje SIMD AVX2, AVX lub SSE4.1.
Podstawowe w Tesseract 4.1:
- Dodano możliwość wyjścia w formacie XML (Analyzed Layout and Text Object). Aby skorzystać z tego formatu, należy uruchomić aplikację jako „tessaract nazwa_obrazka katalog_wyjścia alto”;
- Dodano nowe moduły renderowania LSTMBox i WordStrBox, które upraszczają proces szkolenia silnika;
- Dodano wsparcie dla pseudograficznych w hOCR (HTML);
- Dodano alternatywne skrypty w języku Python do szkolenia silnika opartego na uczeniu maszynowym;
- Rozszerzono optymalizacje z wykorzystaniem instrukcji AVX, AVX2 i SSE;
- Domyślnie wyłączono wsparcie dla OpenMP z powodu wydajności;
- W silniku LSTM dodano wsparcie dla białych i czarnych list;
- Udoskonalono skrypty budowlane oparte na Cmake.
Źródło: opennet.ru
