Foi lançado o sistema de reconhecimento óptico de caracteres Tesseract 5.5.0, que suporta Unicode e reconhece textos em mais de 100 idiomas, incluindo russo, cazaque, bielorrusso e ucraniano. O resultado pode ser salvo como texto simples ou nos formatos HTML (hOCR), ALTO (XML), PDF e TSV. O sistema foi originalmente criado entre 1985 e 1995 no laboratório da Hewlett Packard, e em 2005 o código foi aberto sob a licença Apache, sendo desenvolvido posteriormente com a participação de colaboradores da Google. Os textos-fonte do projeto são distribuídos sob a licença Apache 2.0.
O Tesseract inclui uma ferramenta de linha de comando e a biblioteca libtesseract para embutir funções de reconhecimento de texto em outros aplicativos. Entre as interfaces GUI de terceiros que suportam o Tesseract, destacam-se gImageReader, VietOCR e YAGF. São oferecidos dois motores de reconhecimento: um clássico, que reconhece textos com base em modelos de caracteres individuais, e um novo, que utiliza um sistema de aprendizado de máquina baseado em uma rede neural recorrente LSTM, otimizada para o reconhecimento de linhas inteiras e que permite um aumento significativo da precisão. Modelos treinados prontos estão publicados para 123 idiomas. Para otimizar o desempenho, são oferecidos módulos que utilizam OpenMP e instruções SIMD AVX2, AVX, AVX512F, NEON ou SSE4.1.
Principais melhorias:
- Adicionada a suporte para extensões vetoriais RISC-V V, com otimizacões em assembly preparadas para sistemas com processadores RISC-V.
- Ao gravar o resultado no formato hOCR, as opções ocrp_dir e ocrp_lang são configuradas no arquivo gerado.
- O código foi modernizado para determinar os modelos de linguagem disponíveis.
- O código para gerar arquivos no formato hOCR foi melhorado e a conversão de nomes de arquivos na plataforma Windows foi eliminada.
- Permitida a especificação de valores simbólicos nas opções '—oem' e '—psm'.
- No código, as funções access e _access foram substituídas pelo método std::filesystem::exists(). As funções tprintf foram substituídas pelo uso do fluxo tesserr.
- Removido o suporte para a plataforma de aprendizado de máquina Tensorflow, que foi implementada, mas nunca utilizada para executar modelos AI de reconhecimento.
- Melhorado o instalador para a plataforma Windows.
- O submódulo googletest foi atualizado para a versão 1.15.2.
Fonte: opennet.ru
