UTF-5.3.4 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.
Ana iyileştirmeler:
- Libcurl kütüphanesini kullanarak dosya indirmeyle URL'ye göre iyileştirilmiş resim tanıma. Yükleme sırasında Kullanıcı Aracısı başlığı ayarlanır. Çerez dosyası kullanmak için yeni curl_cookiefile parametresi eklendi.
- ScrollView sunucusu tercih edilen protokol olarak TCP'yi kullanır.
- "Combine_tessdata -d" komutu kullanıldığında stderr yerine stdout'a çıktı sağlanır.
- Autoconf ve clang kullanılırken oluşan derleme sorunları düzeltildi.
Kaynak: opennet.ru