{"id":104616,"date":"2022-07-07T21:37:10","date_gmt":"2022-07-07T19:37:10","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/reliz-sistemy-raspoznavaniya-teksta-tesseract-5-2"},"modified":"2022-07-07T21:37:10","modified_gmt":"2022-07-07T19:37:10","slug":"reliz-sistemy-raspoznavaniya-teksta-tesseract-5-2","status":"publish","type":"post","link":"https:\/\/prohoster.info\/ro\/blog\/news\/reliz-sistemy-raspoznavaniya-teksta-tesseract-5-2","title":{"rendered":"Lansarea sistemului de recunoa\u0219tere a textului Tesseract 5.2","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
A ap\u0103rut versiunea sistemului de recunoa\u0219tere optic\u0103 a textului Tesseract 5.2, care suport\u0103 recunoa\u0219terea caracterelor UTF-8 \u0219i a textelor \u00een peste 100 de limbi, inclusiv rus\u0103, kazah\u0103, belarus\u0103 \u0219i ucrainean\u0103. Rezultatul poate fi salvat at\u00e2t ca text simplu, c\u00e2t \u0219i \u00een formate HTML (hOCR), ALTO (XML), PDF \u0219i TSV. Sistemul a fost ini\u021bial creat \u00een perioada 1985-1995 \u00een laboratorul companiei Hewlett Packard, codul fiind deschis \u00een 2005 sub licen\u021ba Apache, dezvoltarea av\u00e2nd loc ulterior cu participarea angaja\u021bilor Google. Codurile surs\u0103 ale proiectului sunt distribuite sub licen\u021ba Apache 2.0. <\/p>\n
Tesseract include o utilitar\u0103 de linie de comand\u0103 \u0219i biblioteca libtesseract pentru a \u00eencorpora func\u021biile de recunoa\u0219tere a textului \u00een alte aplica\u021bii. Dintre interfe\u021bele GUI ter\u021b\u0103 parte care suport\u0103 Tesseract, se pot men\u021biona gImageReader, VietOCR \u0219i YAGF. Sunt oferite dou\u0103 motoare de recunoa\u0219tere: clasic, care recunoa\u0219te textul la nivelul \u0219ablonului de caractere individuale, \u0219i noul motor bazat pe utilizarea sistemului de \u00eenv\u0103\u021bare automat\u0103 cu re\u021bea neural\u0103 recurent\u0103 LSTM, optimizat pentru recunoa\u0219terea \u00eentregilor linii \u0219i care permite ob\u021binerea unei cre\u0219teri semnificative a acurate\u021bei. Modelele antrenate sunt publicate pentru 123 de limbi. Pentru optimizarea performan\u021bei, sunt propuse module care utilizeaz\u0103 OpenMP \u0219i instruc\u021biuni SIMD AVX2, AVX, AVX512F, NEON sau SSE4.1. <\/p>\n
\u00cembun\u0103t\u0103\u0163irile principale din Tesseract 5.2: <\/p>\n
\n
Au fost ad\u0103ugate optimiz\u0103ri implementate folosind instruc\u021biuni Intel AVX512F.\n
\u00cen API-ul C a fost implementat\u0103 o func\u021bie pentru ini\u021bializarea Tesseract cu \u00eenc\u0103rcarea din memorie a modelului de \u00eenv\u0103\u021bare automat\u0103.\n
A fost ad\u0103ugat parametrul invert_threshold, care determin\u0103 nivelul de inversare a liniilor de text. Valoarea implicit\u0103 este 0.7. Pentru a dezactiva inversarea, trebuie setat\u0103 valoarea 0.\n
A fost \u00eembun\u0103t\u0103\u021bit\u0103 procesarea documentelor foarte mari pe gazde pe 32 de bi\u021bi.\n
S-a realizat trecerea de la utilizarea func\u021biilor std::regex la std::string.\n
S-au \u00eembun\u0103t\u0103\u021bit scripturile de construc\u021bie pentru Autotools, CMake \u0219i sistemele de integrare continu\u0103. <\/p>\n