Bol som zverejnený novú verziu systému optického rozpoznávania textu Tesseract 5.2, ktorý podporuje rozpoznávanie znakov UTF-8 a textov vo viac ako 100 jazykoch, vrátane ruštiny, kazaštiny, beloruštiny a ukrajinčiny. Výsledky môžu byť uložené ako čistý text alebo vo formátoch HTML (hOCR), ALTO (XML), PDF a TSV. Pôvodne bol systém vyvinutý v rokoch 1985-1995 v laboratóriu spoločnosti Hewlett Packard, v roku 2005 bol kód uvoľnený pod licenciou Apache a odvtedy sa rozvíjal s pomocou zamestnancov spoločnosti Google. Pôvodné texty projektu sa šíria pod licenciou Apache 2.0.
Tesseract obsahuje konzolovú utilitu a knižnicu libtesseract na zabudovanie funkcií rozpoznávania textu do ďalších aplikácií. Medzi podporované externé rozhrania GUI Tesseract patrí gImageReader, VietOCR a YAGF. Ponúkajú sa dva motory rozpoznávania: klasický, ktorý rozpoznáva text na úrovni šablón jednotlivých znakov, a nový, ktorý je založený na aplikácii systému strojového učenia založeného na rekurentnej neurónovej sieti LSTM, optimalizovanej na rozpoznávanie celých riadkov a umožňujúcej dosiahnuť značné zvýšenie presnosti. Hotové natrénované modely sú publikované pre 123 jazykov. Na optimalizáciu výkonu sa ponúkajú moduly, ktoré používajú OpenMP a inštrukcie SIMD AVX2, AVX, AVX512F, NEON alebo SSE4.1.
Hlavné vylepšenia v Tesseract 5.2:
- Pridané optimalizácie realizované pomocou inštrukcií Intel AVX512F.
- V C API bola implementovaná funkcia na inicializáciu tesseractu s načítaním modelu strojového učenia z pamäte.
- Pridaný parameter invert_threshold, ktorý určuje úroveň inverzie textových reťazcov. Predvolené nastavenie je 0.7. Na deaktiváciu inverzie treba nastaviť hodnotu 0.
- Optimalizovaná spracovanie veľmi veľkých dokumentov na 32-bitových hostiteľoch.
- Prechod z používania funkcií std::regex na std::string.
- Vylepšené skripty na zostavenie pre Autotools, CMake a systémy kontinuálnej integrácie.
Zdroj: opennet.ru
