UTF-5.2 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 kullanan AVX2, AVX, AVX512F, NEON veya SSE4.1 modülleri sunulmaktadır.
Tesseract 5.2'daki önemli iyileştirmeler:
- Добавлены оптимизации, реализованные с использованием инструкций Intel AVX512F.
- В C API реализована функция для инициализации tesseract с загрузкой из памяти модели машинного обучения.
- Добавлен параметр invert_threshold, определяющий уровень инвертирования текстовых строк. По умолчанию выставлено значение 0.7. Для отключения инвертирования следует выставить значение 0.
- Налажена обработка очень больших документов на 32-разрядных хостах.
- Осуществлён переход с использования функций std::regex на std::string.
- Улучшены сборочные сценарии для Autotools, CMake и систем непрерывной интеграции.
Kaynak: opennet.ru