UTF-5.1 karakterlerinin ve metinlerinin Rusça, Kazakça, Belarusça ve Ukraynaca dahil 8'den fazla dilde tanınmasını destekleyen Tesseract 100 optik metin tanıma sisteminin sürümü yayınlandı. Sonuç düz metin olarak veya HTML (hOCR), ALTO (XML), PDF ve TSV formatlarında kaydedilebilir. Sistem ilk olarak 1985-1995 yıllarında Hewlett Packard laboratuvarında oluşturuldu; 2005 yılında kod Apache lisansı altında açıldı ve Google çalışanlarının katılımıyla daha da geliştirildi. Projenin kaynak kodu Apache 2.0 lisansı altında dağıtılmaktadır.
Tesseract, OCR işlevselliğini diğer uygulamalara yerleştirmek için bir konsol yardımcı programı ve libtesseract kitaplığı içerir. Tesseract'ı destekleyen üçüncü taraf GUI arayüzleri arasında gImageReader, VietOCR ve YAGF bulunur. İki tanıma motoru sunulmaktadır: metni bireysel karakter desenleri düzeyinde tanıyan klasik bir motor ve tüm dizeleri tanımak ve tek bir karakter dizisine izin vermek için optimize edilmiş, LSTM tekrarlayan sinir ağını temel alan bir makine öğrenimi sisteminin kullanımına dayanan yeni bir motor. doğrulukta önemli bir artış. 123 dil için hazır eğitimli modeller yayınlandı. Performansı optimize etmek için OpenMP ve SIMD talimatlarını AVX2, AVX, NEON veya SSE4.1 kullanan modüller sunulmaktadır.
Tesseract 5.1'daki önemli iyileştirmeler:
- ALTO, hOCR ve metin formatlarında çıktı alırken görüntü ve çizgiler içeren alanları işleme yeteneği uygulandı.
- Yeni parametre curl_timeout lkz curl_easy_setop eklendi.
- Geliştirilmiş yapı sistemi.
- Kullanılmayan kodun kaldırılması için çalışma yapıldı
- PageIterator::Orientation sınıfındaki boş işaretçilerin yanlış işlenmesinden kaynaklanan çökmeler düzeltildi.
Kaynak: opennet.ru