Bolo zverejnené vydanie systému optického rozpoznávania textu Tesseract 4.1, ktorý podporuje rozpoznávanie znakov a textov UTF-8 vo viac ako 100 jazykoch vrátane ruštiny, kazaštiny, bieloruštiny a ukrajinčiny. Výsledok je možné uložiť ako obyčajný text alebo vo formátoch HTML (hOCR), ALTO (XML), PDF a TSV. Systém pôvodne vznikol v rokoch 1985-1995 v laboratóriu Hewlett Packard, v roku 2005 bol kód otvorený pod licenciou Apache a ďalej sa vyvíjal za účasti zamestnancov Google. Zdrojový kód projektu je šírený pod licenciou Apache 2.0.
Tesseract obsahuje pomôcku konzoly a knižnicu libtesseract na zabudovanie funkcií OCR do iných aplikácií. Rozhrania GUI tretích strán, ktoré podporujú Tesseract, zahŕňajú gImageReader, VietOCR a YAGF. Ponúkajú sa dva rozpoznávacie motory: klasický, ktorý rozpoznáva text na úrovni jednotlivých vzorov znakov, a nový založený na použití systému strojového učenia založeného na rekurentnej neurónovej sieti LSTM, optimalizovaný na rozpoznávanie celých reťazcov a umožňujúci výrazné zvýšenie presnosti. Hotové trénované modely boli publikované pre 123 jazykov. Pre optimalizáciu výkonu sú ponúkané moduly využívajúce OpenMP a SIMD inštrukcie AVX2, AVX, NEON alebo SSE4.1.
Hlavné vylepšenia v Tesseract 5.0:
- Významná zmena v čísle verzie je spôsobená zmenami v rozhraní API, ktoré narúšajú kompatibilitu. Najmä verejne dostupné libtesseract API už nie je viazané na proprietárne dátové typy GenericVector a STRING v prospech std::string a std::vector.
- Strom zdrojového textu bol reorganizovaný. Verejné hlavičkové súbory boli presunuté do adresára include/tesseract.
- Správa pamäte bola prepracovaná, všetky malloc a bezplatné volania boli nahradené kódom C++. Uskutočnila sa všeobecná modernizácia kódexu.
- Na urýchlenie výpočtov sa používajú pridané optimalizácie pre architektúry ARM a ARM64; Bola vykonaná optimalizácia výkonu spoločná pre všetky architektúry.
- Boli implementované nové režimy pre trénovacie modely a rozpoznávanie textu založené na použití výpočtov s pohyblivou rádovou čiarkou. Nové režimy ponúkajú vyšší výkon a nižšiu spotrebu pamäte. V motore LSTM je štandardne povolený rýchly režim float32.
- Prešlo sa na používanie normalizácie Unicode pomocou formulára NFC (Normalization Form Canonical).
- Pridaná možnosť konfigurácie podrobností protokolu (--loglevel).
- Systém zostavovania založený na Autotools bol prepracovaný a prepnutý na zostavovanie v nerekurzívnom režime.
- Pobočka „master“ v systéme Git bola premenovaná na „main“.
- Pridaná podpora pre nové vydania macOS a systémy Apple založené na čipe M1.
Zdroj: opennet.ru
