datos de tess

Descripción general

Este repositorio contiene varios conjuntos de .traineddata que Tesseract.js puede utilizar. Esto incluye los archivos utilizados por Tesseract.js de forma predeterminada, así como versiones alternativas. El contenido de los archivos y cómo usarlos con Tesseract.js se explica a continuación.

Datos de idioma

A continuación se incluye una descripción de cada conjunto de archivos. La fuente también aparece, aunque la versión utilizada aquí puede no reflejar la última versión de los archivos en el repositorio vinculado.

• 4.0.0_best_int - Versión entera de "Tessdata Best"
  • OEM: solo LSTM
  • Utilizado por Tesseract.js de forma predeterminada: Sí.
    • Estos son los datos predeterminados que se utilizan cuando OEM está configurado solo en LSTM, que es el valor predeterminado.
  • Publicado en el paquete NPM: sí.
• 4.0.0 - "Tessdata"
  • OEM: LSTM + Legado
    • Se incluye una versión entera de "Tessdata Best" para el motor LSTM, además de datos para los datos heredados.
  • Utilizado por Tesseract.js de forma predeterminada: Sí.
    • Estos son los datos predeterminados que se utilizan cuando OEM está configurado en Legacy o LSTM con reserva Legacy.
  • Publicado en el paquete NPM: sí.
  • Fuente: https://github.com/tesseract-ocr/tessdata
• 4.0.0-fast - "Tessdata rápido"
  • OEM: solo LSTM
  • Utilizado por Tesseract.js de forma predeterminada: No.
  • Publicado en el paquete NPM: No.
  • Fuente: https://github.com/tesseract-ocr/tessdata_fast
• 4.0.0_best - "Tessdata mejor"
  • OEM: solo LSTM
  • Utilizado por Tesseract.js de forma predeterminada: No.
    • Estos datos pueden ser significativamente mayores que la versión entera y pueden dar lugar a tiempos de ejecución más prolongados. Los resultados pueden ser más precisos; sin embargo, la diferencia suele oscilar entre insignificante y marginal.
    • Antes de utilizar estos datos, los desarrolladores deben revisar los tamaños de los archivos y ejecutar pruebas de precisión/rendimiento para confirmar que vale la pena implementarlos.
  • Publicado en el paquete NPM: No.
  • Fuente: https://github.com/tesseract-ocr/tessdata_best
• 3.0.2 - Archivos históricos de Tessdata de Tesseract v3
  • OEM: solo heredado
  • Utilizado por Tesseract.js de forma predeterminada: No.
    • Estos son archivos antiguos y es posible que se eliminen de este repositorio en algún momento.
  • Publicado en el paquete NPM: No.

Paquetes NPM

Los archivos 4.0.0 y 4.0.0_best_int para cada idioma se publican en un paquete NPM específico del idioma. Cada idioma tiene su propio paquete, ya que combinarlo en un solo paquete generaría una descarga enorme. Los paquetes se denominan @tesseract.js-data/{lang} . Por ejemplo, el paquete en inglés se llama @tesseract.js-data/eng .

Uso de datos de idioma con Tesseract.js

Consulte la documentación de Tesseract.js para obtener instrucciones sobre cómo configurar langPath manualmente. Los detalles sobre dónde se pueden encontrar los archivos de este repositorio se encuentran a continuación.

CDN

Se puede acceder a estos archivos utilizando cualquier CDN que refleje automáticamente NPM. A continuación se muestran ejemplos populares.

JSDelivr (predeterminado)

De forma predeterminada, Tesseract.js utiliza la CDN JSDelivr. El enlace para los datos predeterminados en inglés en JSDelivr se encuentra a continuación. https://cdn.jsdelivr.net/npm/@tesseract.js-data/[email protected]/4.0.0_best_int/eng.traineddata.gz

desempaquetado

Unpkg es otra CDN que refleja NPM. En la mayoría de las regiones, unpkg parece ser un poco menos confiable que JSDelivr (aunque aún se puede utilizar). Sin embargo, los usuarios han informado que se puede acceder a unpkg en partes de China donde JSDelivr está bloqueado, así que use unpkg por ese motivo. Aquí se puede encontrar una discusión sobre este problema, así como un código de ejemplo que cambia de JSDelivr a unkpg .

El enlace para los datos predeterminados en inglés en unkpkg se encuentra a continuación. https://unpkg.com/@tesseract.js-data/eng/4.0.0_best_int/eng.traineddata.gz

Copia local

Los usuarios son libres de utilizar su propia copia local de estos archivos en lugar de depender de una CDN remota. Para Node.js, simplemente puede agregar los paquetes NPM relevantes como una dependencia o descargar el archivo e incluirlo como recurso del proyecto. Para la versión del navegador, simplemente descargue los archivos relevantes y alójelos usted mismo en su sitio web.

Sitio de páginas de GitHub (depreciado)

El sitio tessdata.projectnaptha.com está depreciado y ya no se actualiza. No apunte código nuevo a este sitio.

En versiones anteriores de Tesseract.js, la ubicación predeterminada langPath era un sitio de páginas de GitHub simple que alojaba este repositorio. Sin embargo, además de que los usuarios informaron que las páginas de GitHub no eran confiables, este repositorio ahora supera el límite de tamaño de las páginas de GitHub. Por lo tanto, ese sitio ya no se actualiza. El sitio se deja como está para evitar romper el código antiguo; sin embargo, se recomienda a los desarrolladores que lo cambien.