wydanie systemu optycznego rozpoznawania tekstu , obsługujący rozpoznawanie znaków i tekstów UTF-8 w ponad 100 językach, w tym rosyjskim, kazachskim, białoruskim i ukraińskim. Wynik można zapisać w postaci zwykłego tekstu lub w formatach HTML (hOCR), ALTO (XML), PDF i TSV. System pierwotnie powstawał w latach 1985-1995 w laboratorium Hewlett Packard, w 2005 roku kod został otwarty na licencji Apache i był dalej rozwijany przy udziale pracowników Google. Źródła projektu na licencji Apache 2.0.
Tesseract zawiera narzędzie konsolowe i bibliotekę libtesseract umożliwiające osadzanie funkcji OCR w innych aplikacjach. Od stron trzecich obsługujących Tesseract możesz zauważyć , и . Oferowane są dwa silniki rozpoznawania: klasyczny rozpoznający tekst na poziomie poszczególnych wzorców znaków oraz nowy oparty na wykorzystaniu systemu uczenia maszynowego opartego na rekurencyjnej sieci neuronowej LSTM, zoptymalizowanej pod kątem rozpoznawania całych ciągów znaków i umożliwiającej znaczny wzrost dokładności. Gotowe wyszkolone modele są publikowane dla . Aby zoptymalizować wydajność, oferowane są moduły wykorzystujące instrukcje OpenMP i AVX2, AVX lub SSE4.1 SIMD.
Głównym w Tesserakcie 4.1:
- Dodano możliwość wyprowadzania w formacie XML (Analizowany układ i obiekt tekstowy). Aby użyć tego formatu, należy uruchomić aplikację jako „tessaract nazwa_obrazu alto katalog_wyjściowy”;
- Dodano nowe moduły renderujące LSTMBox i WordStrBox, upraszczając szkolenie silnika;
- Dodano obsługę pseudografiki w wynikach hOCR (HTML);
- Dodano alternatywne skrypty napisane w Pythonie do szkolenia silnika w oparciu o uczenie maszynowe;
- Rozszerzone optymalizacje z wykorzystaniem instrukcji AVX, AVX2 i SSE;
- Obsługa OpenMP jest domyślnie wyłączona z powodu z produktywnością;
- Dodano obsługę białych i czarnych list w silniku LSTM;
- Ulepszone skrypty kompilacji oparte na Cmake.
Źródło: opennet.ru