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...Подробнее: https://www.opennet.dev/opennews/art.shtml?num=57469
Оно всё также ужасно распознаёт (вернее, лишь пытается распознать) текст, где есть рюсске буквы?
Да уж ...
https://i.imgur.com/hv7kmO2.png
вообще не пример. экранный текст 99.9% софта даже самого корявого прокатывает на 100%. вот лучше фото чека и что распознается в студию.
Из моего опыта работы с Tesseract могу сказать, что слова распознаются хорошо, но вот когда на входе пара-тройка букв/цифр и более ничего, то результат очень печальный. Конечно же я при этом включал режим посимвольного распознавания. Текст с экрана. Использовал готовые модели, сам не тренировал.
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?
В тессеракте как бы есть модель обучения, но она очень далека от обычных вычислительных мощностей
Оно почерк моего терапевта распознает?
Оно даже чек из супермаркета не может распознать
Я проверю, но мне так кажется, что проблема только в настройках контрастности (раньше так было). Не забуду - попробую.
Нет. Это как исходник на Perl. Сам автор не всегда разобрать может.
Жаль. Но вот приложение переводящее с врачебного в нормальный печатный было бы просто бомба
Иногда лучше многого не знать. D
В емиас все в utf8
Годная штука. И нормальные интерфейсы к ней есть.
"релиз системы оптического распознавания текста, поддерживающей распознавание символов UTF-8"Это как? Может быть WTF?
рукописный текст на бумаге в UTF-8
(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.
Оптимизация плохо зделана
Ну как, как — примерно вот так:
но на бумаге как
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.
Осталось изобрести АЦП, оцифровывающий цифровой звук))
Скорее просто несколько языков отдельно + смайлы и всякая экзотическая пунктуация.
Эта штука может распознать только текст со скриншота, да и то не всегда.
> поддерживающей распознавание(...)текстов на более чем 100 языках, включая русский, казахский, белорусский и украинскийНа 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/tes...
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)