Version 4.1 av Tesseract, ett system för optisk teckenigenkänning, har publicerats. Det stöder UTF-8 teckenigenkänning och texter på mer än 100 språk, inklusive ryska, kazakiska, vitryska och ukrainska. Resultatet kan sparas både som ren text och i formaten HTML (hOCR), ALTO (XML), PDF och TSV. Systemet skapades ursprungligen mellan 1985-1995 av Hewlett Packard, koden öppnades under Apache-licensen 2005 och utvecklades vidare med hjälp av Google-anställda. Projektets källkod distribueras under Apache 2.0-licensen.
Tesseract inkluderar en kommandoradsverktyg och libtesseract-biblioteket för att integrera textigenkänningsfunktioner i andra applikationer. Bland de tredjeparts-GUI:er som stödjer Tesseract finns gImageReader, VietOCR och YAGF. Två igenkänningsmotorer erbjuds: en klassisk motor som känner igen text på symbolnivå och en ny som bygger på maskininlärning med hjälp av en rekursiv neuronmärrnätverk (LSTM), optimerad för att känna igen hela rader och möjliggör en betydande ökning av noggrannheten. Färdiga tränade modeller har publicerats för 123 språk. För att optimera prestandan erbjuds moduler som använder OpenMP och SIMD-instruktioner AVX2, AVX, NEON eller SSE4.1.
Huvudsakliga förbättringar i Tesseract 5.0:
- Den betydande versionsändringen beror på inkompatibla förändringar i API:et. Särskilt, det offentligt tillgängliga API:t libtesseract är inte längre kopplat till proprietära datatyper som GenericVector och STRING, utan istället används std::string och std::vector i koden.
- En omstrukturering av källkodsträdet har genomförts. Offentliga header-filer har flyttats till katalogen include/tesseract.
- Minneshanteringen har reviderats, alla malloc- och free-anrop har ersatts med C++-kod. En allmän uppgradering av koden har även genomförts.
- Optimeringar för ARM- och ARM64-arkitekturer har lagts till, och ARM NEON-instruktioner används för att snabba upp beräkningarna. En allmän prestandaoptimering har genomförts för alla arkitekturer.
- Nya träningslägen för modeller och textigenkänning har implementerats, baserade på flyttalsberäkningar. De nya lägena erbjuder högre prestanda och lägre minnesanvändning. I LSTM-motorn är snabb läge float32 aktiverad som standard.
- Övergången till Unicode-normalisering med användning av NFC (Normalization Form Canonical) har genomförts.
- Ett alternativ för att konfigurera loggens detaljeringsnivå (—loglevel) har lagts till.
- Byggsystemet baserat på Autotools har omarbetats för att stödja icke-rekursiv byggning.
- Git-grenen "master" har bytt namn till "main".
- Stöd för nya versioner av macOS och system på Apple-chipet M1 har lagts till.
Källa: opennet.ru
