Релиз системы распознавания текста Tesseract 5.2

07.07.2022 16:42

Опубликован релиз системы оптического распознавания текста Tesseract 5.2, поддерживающей распознавание символов UTF-8 и текстов на более чем 100 языках, включая русский, казахский, белорусский и украинский. Результат может сохраняться как открытым текстом, так и в форматах HTML (hOCR), ALTO (XML), PDF и TSV. Изначально система была создана в 1985-1995 годах в лаборатории компании Hewlett Packard, в 2005 году код был открыт под лицензией Apache и в дальнейшем развивался при участии работников компании Google. Исходные тексты проекта распространяются под лицензией Apache 2.0.

Tesseract включает в себя консольную утилиту и библиотеку libtesseract для встраивания функций распознавания текста в другие приложения. Из поддерживающих Tesseract сторонних GUI-интерфейсов можно отметить gImageReader, VietOCR и YAGF. Предлагается два движка распознавания: классический, распознающий текст на уровне шаблонов отдельных символов, и новый, базирующийся на применении системы машинного обучения на базе рекуррентной нейронной сети LSTM, оптимизированной для распознавания целиком строк и позволяющей добиться существенного увеличения точности. Готовые натренированные модели опубликованы для 123 языков. Для оптимизации производительности предлагаются модули, использующие OpenMP и SIMD-инструкций AVX2, AVX, AVX512F, NEON или SSE4.1.

Основные улучшения в Tesseract 5.2:

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.

исправить +21 +/–

Лицензия: CC BY 3.0

Короткая ссылка: https://opennet.ru/57469-tesseract

Ключевые слова: tesseract, ocr

При перепечатке указание ссылки на opennet.ru обязательно

Обсуждение (24)

1.1, Аноним (-), 17:06, 07/07/2022 Скрыто ботом-модератором [﹢﹢﹢] [ · · · ] [к модератору]	–9 +/–

2.3, Аноним12345 (?), 17:12, 07/07/2022 Скрыто ботом-модератором [к модератору]	+/–

2.6, Shevchuk (ok), 17:17, 07/07/2022 Скрыто ботом-модератором [к модератору]	+3 +/–

3.9, Grishow.Wise (?), 18:42, 07/07/2022 Скрыто ботом-модератором [к модератору]	+1 +/–

4.11, Аноним (11), 20:09, 07/07/2022 Скрыто ботом-модератором [к модератору]	+/–

1.2, Аноним (2), 17:10, 07/07/2022 [ответить] [﹢﹢﹢] [ · · · ] [↓] [↑] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+1 +/–
Гугл последний раз раздавал модели (хоть какие-нибудь) 5 лет назад и не совсем понятно как можно натренировать свои собственные и сколько на это ресурсов потребуется (скорее всего много, недоступно много). Толку то с обновлений, если оно не распознаёт?

2.4, Аноним12345 (?), 17:13, 07/07/2022 [^] [^^] [^^^] [ответить] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	–1 +/–
В тессеракте как бы есть модель обучения, но она очень далека от обычных вычислительных мощностей

1.5, Жироватт (ok), 17:17, 07/07/2022 [ответить] [﹢﹢﹢] [ · · · ] [↓] [↑] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+6 +/–
Оно почерк моего терапевта распознает?

2.8, Аноним12345 (?), 17:35, 07/07/2022 [^] [^^] [^^^] [ответить] [↓] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+4 +/–
Оно даже чек из супермаркета не может распознать

3.10, tty0 (?), 18:52, 07/07/2022 [^] [^^] [^^^] [ответить] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+1 +/–
Я проверю, но мне так кажется, что проблема только в настройках контрастности (раньше так было). Не забуду - попробую.

2.16, Аноним (16), 04:36, 08/07/2022 [^] [^^] [^^^] [ответить] [↑] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+6 +/–
Нет. Это как исходник на Perl. Сам автор не всегда разобрать может.

3.17, Жироватт (ok), 08:38, 08/07/2022 [^] [^^] [^^^] [ответить] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+/–
Жаль. Но вот приложение переводящее с врачебного в нормальный печатный было бы просто бомба

4.18, Попандопала (?), 10:17, 08/07/2022 [^] [^^] [^^^] [ответить] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+2 +/–
Иногда лучше многого не знать. D

4.26, Johny (?), 08:29, 12/07/2022 [^] [^^] [^^^] [ответить] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+/–
В емиас все в utf8

1.12, кубрик (?), 22:01, 07/07/2022 [ответить] [﹢﹢﹢] [ · · · ] [↑] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+/–
Годная штука. И нормальные интерфейсы к ней есть.

1.13, Геймер (?), 22:48, 07/07/2022 [ответить] [﹢﹢﹢] [ · · · ] [↓] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+3 +/–
"релиз системы оптического распознавания текста, поддерживающей распознавание символов UTF-8" Это как? Может быть WTF?

2.19, Аноним (19), 10:55, 08/07/2022 [^] [^^] [^^^] [ответить] [↓] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+4 +/–
рукописный текст на бумаге в UTF-8

3.21, анон_тот самый (?), 01:04, 09/07/2022 [^] [^^] [^^^] [ответить] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+/–
(00)/........ мыслительный процесс останавливается от ваших заявлений. хотя меня больше беспокоит возможность увидеть именно utf-8 на бумаге. правда очень хочу. это было бы чудо)))) в компе понятно, но на бумаге как?))) но по теме все эти OCR жутко лаговые.

4.22, Аноним (22), 02:52, 09/07/2022 [^] [^^] [^^^] [ответить] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	–1 +/–
Оптимизация плохо зделана

4.25, Аноним (25), 16:45, 09/07/2022 [^] [^^] [^^^] [ответить] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+/–
Ну как, как — примерно вот так: РЅРѕ РЅР° Р±СѓРјР°РіРµ РєР°Рє

5.28, анон_тот самый (?), 21:00, 13/07/2022 [^] [^^] [^^^] [ответить] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+/–
он что сказал? распечатал ютф-8 на бумаге. на бумаге в принципе ничего кроме чернильных точек быть не может. вы это как то разберитесь. представление шрифта в операционной системе и на бумаге. не вводите народ в заблуждение. а его отображение в системе и при просмотре в проге без правильной кодировки это другое. на бумаге нет кодировок как таковых. а в принтерах сплошной постскрипт.

2.20, KhabMan (ok), 14:00, 08/07/2022 [^] [^^] [^^^] [ответить] [↑] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+/–
Осталось изобрести АЦП, оцифровывающий цифровой звук))

2.23, InuYasha (??), 10:25, 09/07/2022 [^] [^^] [^^^] [ответить] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+/–
Скорее просто несколько языков отдельно + смайлы и всякая экзотическая пунктуация.

1.24, Аноним (24), 14:26, 09/07/2022 [ответить] [﹢﹢﹢] [ · · · ] [↑] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]	+/–
Эта штука может распознать только текст со скриншота, да и то не всегда.

1.27, mandms (ok), 11:26, 13/07/2022 [ответить] [﹢﹢﹢] [ · · · ] [п╨ п╪п╬п╢п╣я─п╟я┌п╬я─я┐]

+/–

> поддерживающей распознавание(...)текстов на более чем 100 языках, включая русский, казахский, белорусский и украинский

На самом деле начиная с версии 4 распознаются тексты на языках всех республик бывшего СССР кроме туркменского.
(а всего на 123+ языках)
То есть, включая: армянский, грузинский, молдавский, все 3 прибалтийских, 4 среднеазиатских кроме туркменского, азербайджанский. [1]

[1] https://github.com/tesseract-ocr/tesseract/blob/main/doc/tesseract.1.asc#langu
hye (Armenian), kat (Georgian), kat_old (Georgian - Old),
ron (Romanian; Moldavian; Moldovan),
lav (Latvian), lit (Lithuanian), est (Estonian),
kaz (Kazakh), uzb (Uzbek), uzb_cyrl (Uzbek - Cyrilic),
kir (Kirghiz; Kyrgyz), tgk (Tajik),
aze (Azerbaijani), aze_cyrl (Azerbaijani - Cyrilic),

Только про туркменский не написано что поддерживается (его 3-буквенный код в ISO 639-2 - tuk)

игнорирование участников | лог модерирования

Добавить комментарий

Имя:

E-Mail:

Текст: