Lëshimi i sistemit të njohjes optike të tekstit Tesseract 5.2 është publikuar, duke mbështetur njohjen e simboleve UTF-8 dhe teksteve në më shumë se 100 gjuhë, përfshirë rusishten, kazakishten, bjellorusishten dhe ukrainishten. Rezultati mund të ruhet si tekst i hapur, ashtu edhe në formate HTML (hOCR), ALTO (XML), PDF dhe TSV. Fillimisht, sistemi u krijua në vitet 1985-1995 në laboratorin e kompanisë Hewlett Packard, në vitin 2005 kodi u hap nën licencën Apache dhe më pas u zhvillua me pjesëmarrjen e punonjësve të kompanisë Google. Tekstet burimore të projektit shpërndahen nën licencën Apache 2.0.
Tesseract përfshin një mjet konsolë dhe bibliotekën libtesseract për të inkorporuar funksionet e njohjes së tekstit në aplikacione të tjera. Midis GUI-ve të treta që mbështesin Tesseract, përmendim gImageReader, VietOCR dhe YAGF. Oferohen dy motorë njohjeje: një klasik, që njeh tekstin në nivelin e shablloneve të simboleve individuale, dhe një e re, e bazuar në përdorimin e një sistemi të mësimit të makines me rrjetin nervor rekurent LSTM, e optimizuar për njohjen e linjave të plota dhe që lejon një rritje të rëndësishme të saktësisë. Modelet e trajnuara janë publikuar për 123 gjuhë. Për optimizimin e performancës, ofrohen module që përdorin OpenMP dhe instrukcione SIMD AVX2, AVX, AVX512F, NEON ose SSE4.1.
Përmirësimet kryesore në Tesseract 5.2:
- Janë shtuar optimizime, të realizuara me përdorimin e instrukcioneve Intel AVX512F.
- Në API-në C është realizuar një funksion për inizializimin e tesseract me ngarkimin nga memorie të modelit të mësimit të makines.
- Shtua parametrin invert_threshold, i cili përcakton nivelin e inverzimit të rreshtave të tekstit. Si parazgjedhje, vlera është 0.7. Për të çaktivizuar inverzimin, vendosni vlerën 0.
- Rregulluar procesimin e dokumenteve shumë të mëdha në hostet 32-bin.
- Kaluar nga përdorimi i funksioneve std::regex në std::string.
- Përmirësuar skenaret e ndërtimit për Autotools, CMake dhe sistemet e integrimit të vazhdueshëm.
Burimi: opennet.ru
