Реліз системи оптичного розпізнавання тексту Tesseract 4.1
Реліз системи оптичного розпізнавання тексту Tesseract 4.1
Анонсовано реліз системи оптичного розпізнавання тексту Tesseract 4.1, що підтримує розпізнавання символів UTF-8 та текстів більш ніж 100 мовами, 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 розповсюджуються під ліцензією Apache 2.0.
Tesseract включає консольну утиліту та бібліотеку libtesseract для вбудовування функцій розпізнавання тексту в інші додатки. Із підтримуючих Tesseract сторонніх GUI-інтерфейсів можна відзначити gImageReader, VietOCR і YAGF. 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 123 мов. Для оптимізації продуктивності пропонуються модулі, що використовують OpenMP та SIMD-інструкції AVX2, AVX або SSE4.1.
Основні покращення в Tesseract 4.1:
- Додано можливість виводу в XML-форматі ALTO (Analyzed Layout and Text Object). Для використання цього формату слід запустити програму як "tessaract ім'я_зображення каталог_висновку alto";
- Додано нові модулі рендерингу LSTMBox та WordStrBox, що спрощує проведення навчання двигуна;
- Додано підтримку псевдографіки у виводі 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 умовчанням відключено підтримку OpenMP через проблеми з продуктивністю;
- У движку LSTM додана підтримка білих та чорних списків;
- Покращено складальні сценарії на базі Cmake.
