En ny version av Tesseract 5.4.0 har publicerats, som stöder igenkänning av UTF-8-tecken och text på mer än 100 språk, inklusive ryska, kazakiska, belarusiska och ukrainska. Resultatet kan sparas både som ren text och i formaten HTML (hOCR), ALTO (XML), PDF och TSV. Systemet skapades ursprungligen 1985-1995 i ett laboratorium hos Hewlett Packard, och 2005 öppnades koden under Apache-licensen och vidareutvecklades med deltagande av anställda på Google. Projektets källtexter sprids under Apache 2.0-licensen.
Tesseract inkluderar ett kommandoradsverktyg och biblioteket libtesseract för att införliva textigenkänningsfunktioner i andra applikationer. Bland de tredjeparts GUI-gränssnitt som stöder Tesseract kan gImageReader, VietOCR och YAGF nämnas. Två igenkänning motorer erbjuds: en klassisk som känner igen text på teckennivå och en ny som baseras på maskininlärning med en rekurrent neural nätverksmodell (LSTM), optimerad för att känna igen hela rader och möjliggör en betydande ökning av noggrannheten. Tränade modeller publiceras för 123 språk. För att optimera prestanda erbjuds moduler som använder OpenMP och SIMD-instruktionerna AVX2, AVX, AVX512F, NEON eller SSE4.1.
Huvudsakliga förbättringar:
- Stöd för rendering och export i PAGE-XML-format har lagts till.
- Möjligheten att träna modellen med PNG-filer istället för LSTMF-filer har implementerats.
- Rendering av PDF-format har förbättrats.
- API:t för att bestämma textens lutning har utvidgats.
- Prestandaproblem som upptäcktes vid skanning inom systemet Coverity har åtgärdats.
Källa: opennet.ru
