Bol zverejnený release systému optického rozpoznávania textu Tesseract 5.5.0, ktorý podporuje Unicode a rozpoznávanie textov vo viac ako 100 jazykoch, vrátane ruštiny, kazaštiny, bieloruštiny a ukrajinčiny. Výsledok môže byť uložený ako otvorený text, tak aj vo formátoch HTML (hOCR), ALTO (XML), PDF a TSV. Pôvodný systém bol vytvorený v rokoch 1985-1995 v laboratóriu spoločnosti Hewlett Packard, v roku 2005 bol kód sprístupnený pod licenciou Apache a následne sa vyvíjal s pomocou zamestnancov spoločnosti Google. Zdrojové kódy projektu sú distribuované pod licenciou Apache 2.0.
Tesseract obsahuje konzolovú utilitu a knižnicu libtesseract na implementáciu funkcií rozpoznávania textu do iných aplikácií. Medzi podporované externé GUI rozhrania pre Tesseract patrí gImageReader, VietOCR a YAGF. Ponúkajú sa dva motory rozpoznávania: klasický, ktorý rozpoznáva text na úrovni šablón jednotlivých znakov, a nový, založený na použití systému strojového učenia s využitím rekurentnej neurónovej siete LSTM, optimalizovanej na rozpoznávanie celých riadkov a umožňujúcej dosiahnuť významné zvýšenie presnosti. Hotové natrénované modely sú publikované pre 123 jazykov. Pre optimalizáciu výkonu sú dostupné moduly využívajúce OpenMP a SIMD inštrukcie AVX2, AVX, AVX512F, NEON alebo SSE4.1.
Hlavné vylepšenia:
- Pridaná podpora vektorových rozšírení RISC-V V, na základe ktorých boli pripravené assemblerové optimalizácie pre systémy s procesormi RISC-V.
- Pri zápise výsledku vo formáte hOCR je zabezpečené nastavenie parametrov ocrp_dir a ocrp_lang v vytváranom súbore.
- Zmodernizovaný kód na určenie dostupných jazykových modelov.
- Vylepšený kód na generovanie súborov vo formáte hOCR a odstránená konverzia mien súborov na platforme Windows.
- Povolené uvedenie znakových hodnôt v možnostiach "—oem" a "—psm".
- V kóde bola vykonaná náhrada funkcií access a _access metódou std::filesystem::exists(). Funkcie tprintf boli nahradené použitím prúdu tesserr.
- Odstránená podpora platformy strojového učenia Tensorflow, ktorá bola realizovaná, ale nikdy nebola využitá na vykonávanie AI modelov rozpoznávania.
- Vylepšený inštalátor pre platformu Windows.
- Podmodul googletest bol aktualizovaný na verziu 1.15.2.
Zdroj: opennet.ru
