реліз системи оптичного розпізнавання тексту , що підтримує розпізнавання символів UTF-8 та текстів більш ніж на 100 мовах, включаючи російську, казахську, білоруську та українську. Результат може зберігатись як відкритим текстом, так і у форматах HTML (hOCR), ALTO (XML), PDF та TSV. Спочатку система була створена в 1985-1995 роках в лабораторії компанії Hewlett Packard, в 2005 код був відкритий під ліцензією Apache і надалі розвивався за участю працівників компанії Google. Вихідні тексти проекту під ліцензією Apache 2.0
Tesseract включає консольну утиліту та бібліотеку libtesseract для вбудовування функцій розпізнавання тексту в інші додатки. З підтримуючих Tesseract сторонніх можна відмітити , и . Пропонується два движки розпізнавання: класичний, що розпізнає текст на рівні шаблонів окремих символів, і новий, що базується на застосуванні системи машинного навчання на базі нейронної рекурентної мережі LSTM, оптимізованої для розпізнавання цілком рядків і дозволяє домогтися істотного збільшення точності. Готові натреновані моделі опубліковані для . Для оптимізації продуктивності пропонуються модулі, які використовують OpenMP та SIMD-інструкцій AVX2, AVX або SSE4.1.
Основні у Tesseract 4.1:
- Додано можливість виводу у XML-форматі (Analyzed Layout and Text Object). Для використання цього формату слід запустити програму як «tessaract ім'я_зображення каталог_виводу alto»;
- Додані нові модулі рендерингу LSTMBox та WordStrBox, які спрощують проведення навчання двигуна;
- Додано підтримку псевдографіки у виведенні hOCR (HTML);
- Додані написані мовою Python альтернативні скрипти для тренування двигуна на базі машинного навчання;
- Розширено оптимізацію з використанням інструкцій AVX, AVX2 та SSE;
- За замовчуванням відключено підтримку OpenMP через з продуктивністю;
- У движку LSTM додана підтримка білих та чорних списків;
- Поліпшено складальні сценарії на базі Cmake.
Джерело: opennet.ru