ĂshtĂ« publikuar rrezultati i sistemit tĂ« njohjes optike tĂ« tekstit Tesseract 5.3.4, qĂ« mbĂ«shtet njohjen e simboleve UTF-8 dhe teksteve nĂ« mĂ« shumĂ« se 100 gjuhĂ«, pĂ«rfshirĂ« rusishten, kazakishten, bjellorusishten dhe ukrainishten. Rezultati mund tĂ« ruhet si tekst i hapur, si edhe nĂ« formatet HTML (hOCR), ALTO (XML), PDF dhe TSV. Fillimisht, sistemi u krijua nĂ« vitet 1985-1995 nĂ« laboratorin e kompanisĂ« Hewlett Packard, nĂ« vitin 2005 kodi u publikua nĂ«n licencĂ«n Apache dhe mĂ« pas u zhvillua me pjesĂ«marrjen e punonjĂ«sve tĂ« Google. Tekstet burimore tĂ« projektit shpĂ«rndahen nĂ«n licencĂ«n Apache 2.0.
Tesseract përfshin një utilitar konsolë dhe bibliotekën libtesseract për të integruar funksionet e njohjes së tekstit në aplikacione të tjera. Midis ndërfaqeve GUI të palëve të treta që mbështesin Tesseract, mund të përmendim gImageReader, VietOCR dhe YAGF. Ofron dy motorë njohjeje: klasikun, që njeh tekstin në nivelin e çelësve individualë, dhe të riun, i cili bazohet në përdorimin e një sistemi të mësimit të makinerisë të bazuar në një rrjet neural rekurent LSTM, i optimizuar për të njohur rreshta të tërë dhe që lejon një rritje të konsiderueshme të saktësisë. Modelet e stërvitura 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:
- ĂshtĂ« pĂ«rmirĂ«suar njohja e imazheve nga URL duke ngarkuar skedarin me ndihmĂ«n e bibliotekĂ«s libcurl. GjatĂ« ngarkimit, Ă«shtĂ« siguruar vendosja e header-it User-Agent. ĂshtĂ« shtuar njĂ« parametr i ri curl_cookiefile pĂ«r tĂ« pĂ«rdorur njĂ« skedare me cookie.
- Në server ScrollView si protokoll prioritar ka përdorur TCP.
- Kur përdoret komanda "combine_tessdata -d", është siguruar që dalja të bëhet në rrjedhën stdout në vend të stderr.
- Janë eliminuar problemet me ndërtimin gjatë përdorimit të autoconf dhe clang.
Burimi: opennet.ru
