utgåvan av systemet för optisk teckenigenkänning , som stöder teckenigenkänning i UTF-8 och texter på mer än 100 språk, inklusive ryska, kazakiska, vitryska och ukrainska. Resultatet kan sparas som ren text samt i format som HTML (hOCR), ALTO (XML), PDF och TSV. Systemet utvecklades ursprungligen mellan 1985 och 1995 i labbet hos företaget Hewlett Packard, koden öppnades 2005 under Apache-licensen och har sedan dess utvecklats med deltagande från anställda på Google. Källtexterna till projektet är licensierad under Apache 2.0.
Tesseract inkluderar ett konsolverktyg och biblioteket libtesseract för att integrera teckenigenkänning i andra applikationer. Från tredje part som stöder Tesseract kan man nämna , och . Det erbjuds två igenkänningstekniker: en klassisk som känner igen text på teckennivå och en ny som baseras på en maskininlärningssystem med rekursiva neurala nätverk (LSTM), som är optimerad för att känna igen hela rader och möjliggör en betydande ökning av noggrannheten. Färdiga tränade modeller publiceras för . För att optimera prestanda erbjuds moduler som använder OpenMP och SIMD-instruktioner AVX2, AVX eller SSE4.1.
Huvud i Tesseract 4.1:
- Möjlighet att exportera i XML-format (Analyzed Layout and Text Object). För att använda detta format, kör programmet som "tessaract bildnamn utmatningskatalog alto";
- Nya renderingsmoduler LSTMBox och WordStrBox har lagts till, vilket förenklar träning av motorn;
- Stöd för pseudografik har lagts till i hOCR-utmatningen (HTML);
- Alternativa skript för träning av maskininlärningsmotorn skriven i Python har lagts till;
- Optimeringarna med hjälp av AVX, AVX2 och SSE-instruktioner har utvidgats;
- Stödet för OpenMP är som standard avstängt på grund av prestanda;
- I LSTM-motorn har stöd för vita och svarta listor lagts till;
- Byggskripten baserade på Cmake har förbättrats.
Källa: opennet.ru
