Objavljen je izdanak Optical Character Recognition sistema Tesseract 4.1, koji podržava prepoznavanje UTF-8 simbola i tekstova na više od 100 jezika, uključujući ruski, kazahstanski, beloruski i ukrajinski. Rezultati se mogu čuvati kao običan tekst, kao i u HTML formatima (hOCR), ALTO (XML), PDF i TSV. Sistem je prvobitno razvijen od 1985. do 1995. godine u laboratoriji kompanije Hewlett Packard, a 2005. godine kod je otvoren pod Apache licencom i dalje se razvijao uz pomoć zaposlenih kompanije Google. Izvorni tekstovi projekta distribuiraju se pod Apache 2.0 licencom.
Tesseract vključuje konzolno orodje in knjižnico libtesseract za vgrajevanje funkcij prepoznavanja besedila v druge aplikacije. Med podprtimi zunanjimi GUI vmesniki Tesseract se lahko omenijo gImageReader, VietOCR in YAGF. Na voljo sta dva motornika prepoznavanja: klasični, ki prepoznava besedilo na ravni predlog posameznih znakov, in nov, ki temelji na uporabi sistema strojnega učenja s pomočjo rekurentne nevronske mreže LSTM, optimizirane za prepoznavanje celotnih vrstic, kar omogoča znatno povečanje natančnosti. Pripravljenih izučenih modelov je objavljenih za 123 jezikov. Za optimizacijo delovanja so na voljo moduli, ki uporabljajo OpenMP in SIMD navodila AVX2, AVX, NEON ali SSE4.1.
Glavna poboljšanja u Tesseract 5.0:
- Značajna promena broja verzije povezana je sa izmenama u API-ju koje narušavaju kompatibilnost. Konkretno, javno dostupni API libtesseract više nije povezan sa propertarnim tipovima podataka GenericVector i STRING, umesto kojih se u kodu koriste std::string i std::vector.
- Reorganizovana je struktura izvornih tekstova. Javni zaglavlja su premeštena u direktorijum include/tesseract.
- Poboljšano je upravljanje memorijom, svi pozivi malloc i free su zamenjeni C++ kodom. Provedena je opšta modernizacija koda.
- Dodate su optimizacije za ARM i ARM64 arhitekture, a za ubrzanje proračuna korišćene su ARM NEON instrukcije. Urađena je opšta optimizacija performansi za sve arhitekture.
- Implementirani su novi treninzi modela i režimi prepoznavanja teksta zasnovani na korišćenju izračunavanja sa pokretnom tačkom. Novi režimi se odlikuju višom performansom i smanjenom potrošnjom memorije. U LSTM motoru brzi režim float32 je uključen kao podrazumevano.
- Pređeno je na upotrebu Unicode normalizacije koristeći NFC formu (Normalization Form Canonical).
- Dodana je opcija za podešavanje detaljnosti logova (—loglevel).
- Presecan sistem gradnje zasnovan na Autotools je prešao na gradnju u nerakursivnom režimu.
- ‘master’ grana u Gitu preimenovana je u ‘main’.
- Dodata je podrška za nove verzije macOS-a i Apple sistema zasnovanih na M1 čipu.
Izvor: opennet.ru
