Опубликован релиз системы оптического распознавания текста Tesseract 5.5.0, поддерживающей Unicode и распознавание текстов более чем на 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=62216
при попытке скачать последнюю билду выскакивает 404
а эта прога никак не умеет распозновать djvu ?
жрёт картинки, в примерах .tiffконвертишь утилитой консольной (кажись уже для всех форматов найти можно), подсовываешь
1. Устанавливаешь djvulibre
2. Конвертируешь в pdf: ddjvu -format=pdf input.djvu output.pdf
3. Распонаёшь в tesseract
так tesseract не читает pdf
Так устанавливаешь ghost и конвертируешь pdf в jpeg и распознаешь.
> а эта прога никак не умеет распозновать djvu ?Для расширенного функционала лучше использовать какой-то frontend к ней
https://tesseract-ocr.github.io/tessdoc/User-Projects-–...
Использовал для распознавания текста из одной книжки, оказалось вполне работоспособная штука. Изначально был настроен скептически, думал, что в итоге понадобится Виноуз и ФайнРидер, но нет, все удалось сделать. После распознавания требовалось минимальное ручное вмешательство по исправлению распознанного. Ну, оно и в ФайнРидер требовалось, когда я его редко использовал, так что тут паритет.Как ГУЙ-морда использвался gImageReader.
Гугл модели зажал, сабж по факту практически бесполезен из-за ошибок и слабых возможностей распознавания. Для использования, у тебя должны быть ресурсы, чтобы натренировать свои модели, и это для пользователей не реально.
Оно без моделей и без Хухла нормально работало. При хорошей чёткости скана работает очень хорошо, без ИИ, без коммерческих вендоров.
С легаси движками без нейронок. Помню, приходилось скармливать ей идеальный выровненный двухцветный (не оттенки серого) текст, чтобы распознавало в обычном разрешении более менее.
для сабжа просто в имеджмаджике картинку с низким разрешением (напрмиер, скриншот) растягиваешь раза в 4 - все работает...а по нейронкам есть EasyOCR, но на пайтоне
> растягиваешь раза в 4Сабжу можно указать разрешение исходного растра, ключ "--dpi", что ли, и можно ничего не увеличивать. По умолчанию он, вроде, на 300 dpi расчитан
Сайт не открывается без прокси. А так PaddleOCR же. Вообще печально, что такие базовые задачи опенсорс до сих пор нормально не решает.
Так решает же задачку OCR. Да, без ИИ.Но, OCR не особо-то нужен в жизни современного человека с компьютером.
Мне только - чеки из магазина, разве что был нужен. Остальные потребности были довольно криповыми случаями, в нормальной современной жизни очень редкие. Либо можно сделать нормальный скан.
В нормальной жизни современного человека с компьютером необходимо каждый день распознавать иероглифы на фото.
> Гугл модели зажалВ смысле "зажал"? А распознает он тогда чем? У tesseract есть более сотни моделей для разных языков.
Это демонстрационные модели 7 летней давности.
> В смысле "зажал"? А распознает он тогда чем?Там же два движка, как написано в новости. Не знаю, правду ли сказал чувак про зажатие гуглом моделей, но предположу, что если это так, то распознавать может первым из двух движков, старым классическим, по шаблонам символов. А модели - для второго, продвинутого движка. Ну это я про логику "А распознает он тогда чем?", а не в защиту его утверждения. А вот зажал гугол или нет - хз.
> Гугл модели зажалА это тогда что?
https://github.com/tesseract-ocr/tessdata
https://github.com/tesseract-ocr/tessdata_best
https://github.com/tesseract-ocr/tessdata_fast
https://github.com/tesseract-ocr/tessdata_contribВыбирай любую, хошь быструю, хошь точную. Или у вас там где–то методичка про «модели зажал»? Уже под какой новостью про тессеракт эту глупость вижу.
Так ты же совсем глупенький, если не понимаешь, почему представленные демонстрационные модели никуда не годятся.
Работают, распознают, каши не просят, но «не годятся». Неосилятор что ли? Или, может, вам ABBYY башляет? Какой смысл гнать на бесплатный продукт?
Когда я его в прошлый раз использовал Finereader, в нём не было никаких продвинутых нейронок, а распознавание хорошо работало только со стандартными шрифтами. В сканах книг могли быть чуть более интересные советские шрифты, и вот с ними распознавание было уже весьма посредственным. Сабж невозможно использовать надёжно: даже если фон не идеально белый уже не распознает. И ровно та же проблема с узнаванием шрифтов в наличии.
>>> Гугл модели зажал
>> А это тогда что?
> не годятсяА при чем тут их качество? Речь была о том, что ты нагло наврал рассказами о "Гугл зажал", в то время как все из покон веков лежит в открытом доступе.
> Так ты же совсем глупенький, если не понимаешь, почему представленные демонстрационные модели никуда не годятся.
Если куча народу по всему миру (включая библиотеку archive.org) вполне успешно распознают ими текст, а у одного тебя они "не годятся" - то кто тут глупенький?
Это не те модели, что использует Гугл. Да, тессеракт, насколько мне известно, именно то, что гугл использует для весьма качественного распознавания (в том числе на фото). Но тебе это не светит. Именно потому, что зажал. Если у тебя какие-то сомнения в этом, то ты просто слишком оторван от реальности.
> Это не те модели, что использует Гугл.Почему кому-то должно быть не наплевать?
> Да, тессеракт, насколько мне известно, именно то, что гугл использует для весьма качественного распознавания
Откуда тебе это известно? Гугл давным давно уже не работает над Тессерактом, и гарантированно не будет завязывать свой бизнес на либе, которую за бесплатно пилят три васяна в свободное время. У них наверняка уже свой движок, или в лучшем случае ответвившийся от Тессеракта много лет назад и не совместимый с ним.
> Если у тебя какие-то сомнения в этом, то ты просто слишком оторван от реальности.
Забавно слышать об "оторваности от реальности" от человека, который нафантазировал себе о том, какой OCR движок использует Гугл и с какими моделями.
А он не скрывал это, пару лет назад была инфа. Все его юзают, тот же яндекс собирался утянуть (чё как там у них успехи с перепродажей тессеракта?) и китайцы (среди прочего, у этих полно своих наработок). Только чтобы модели натренировать нужна ферма. Представленные веса не годятся кроме как для демонстрации работоспособности, и отрицать это оторванность. П ещё оторванность думать, что корпа "гарантированно не будет завязывать свой бизнес на либе, которую за бесплатно пилят три васяна в свободное время" -- три раза ха.
> А он не скрывал это, пару лет назад была инфа. Все его юзают, тот же яндекс собирался утянутьТы забыл дать ссылки на пруфы.
5.4.1 с легаси-движком отлично работает для многоязычных скриншотов, например английский+русский+укранский+французский. Нормально распознавал сканированные книги с archive.org, но я не разобрался, как делвть djvu. Фотографии объявлений с телефона тоже распознаёт.
Под оффтопик есть кроме файнридера ещё и ReadIris. В основном в комплекте к HP-шной технике. Печатный текст довольно неплохо опиливает.
12-я версия ReadIris (~2010) имела интерфейс менее удобный, чем FineReader 4 (~1998), но по качеству они были сопоставимы. Но найти пиратскую ReadIris с поддержкой иероглифов не было проблемой, в отличие от FR. Под Линуксом, ЕМНИП, работала.
Не умеет оно распознавать текст где есть язык с вкраплением слов на английском. Это отрезает сразу целых пласт технической литературы. Оно миксует латиницу и кириллицу рандомно даже в пределах одного слова. Это ни в какой край не идёт без большой ручной работы по исправлению похожих букв на другой алфавит. Хотя хорошо справляется со сложными вариантами, такими как японский вертикально.
> Не умеет оно распознавать текст где есть язык с вкраплением слов на английском.Умеет, просто нужно выбирать две модели (eng+rus). А при выводе в HOCR он даже промаркирует, какое слово на каком языке распозналось.
А, кстати, дореволюционную орфографию с ятями оно уже умеет?
Штатные модельки — увы, нет.
4 года назад ВШЭ делала модуль для Тессеракта (легко гуглится), но чем дело кончилось, и где его скачать — не нашёл.
Как распознавал хреново чуть-чуть нестандартно написанный/напечатанный текст, так и распознает, даже на английском (пример - фото с табличкой где белом по черному написан vin номер автомобиля).В линуксе все также херово с OCR как и 15 лет назад или есть некий hidden gem о котором мужики-то и не в курсе?
Проприетарное российское ocr по есть на Linux.
Какое?
Тот же FineReader SDK.
Не знаю, что ты там распознавал и чем, но я сотни книг и газет (на русском) из архивов распознал с помощью Tesseract, с самыми разными шрифтами, и в основном без ошибок. Более чем достойный аналог одной известной пoдeлки от рycoфoбской кoнтoрки, которая уволила всех русских разработчиков. Но ты можешь и дальше продолжать обмaзывaться, никто не запрещает.
Какие фобы, ты чего, Валера - https://contentai.ru
у них под линукс ГУЁвая-распознавалка вроде же не работает...
Она не ьесплатна и цен вообще нет
>Не знаю, что ты там распознавал и чемНу ты видимо своими "глазами" в состоянии текст с экрана своего устройства распознать раз в упор не видишь того что написано в сообщении внутри скобок. Но дурь написать таки осилил.
И таки: Tesseract хорошо работает на разных языках. При хорошем качестве скана, фото - тут, да: есть требования к исходным материалам. Но тогда работает хорошо.
Распознавание текста это первая тема во всех нормальных туториалпх по нейронкам. И во многих мешин лернингах.
Отличная весть! Висит на хоткее для перевода текста с картинок. Вполне корректно работает. Перебитый vin может и не распознаёт))
Проверил под Fedora. Весьма недурно распознает даже кривые-косые картинки. Не прошло и 20 лет. FineReader можно выбрасывать на мороз
Как было кривым так и осталось. Гугл камера и то лучше текст распознает. Ни одной нормальной ocr даже на хаффинге нет
Если бы оно ещё закладки умело добавлять автоматически — цены бы не было.
Для поддержки пользователей, обожающих присылать скриншоты и минимум текстовой информации - Tesseract более чем достаточно. В качестве GUI использую dpScreenOCR
Конверсия картинки с текстом в пдф. Полученный пдф файл представляет из себя два слоя: первый - картинка с текстом в растровом формате и второй слой - распознанный текст с прибитым гвоздями шрифтом. Итого:
пдф файл излишне большой и текст редактировать невозможно. Но, зато безплатно.
На редкость полезная вещь, простые сканы документов распознает более-менее сносно
Как то решаются уязвимости:
CVE-2022-38266 и CVE-2020-28453 ?
Только что отсканировал и распознал огромный пдф на английском с помощью ocrmypdf, внутри у которого тессеракт. Распрекрасно работает, теперь по файлу можно искать текст, качество распознавания отличное.
К слову, очень рекомендую этот скрипт, ocrmypdf.