tessdata

Ringkasan

Repo ini berisi berbagai kumpulan .traineddata yang dapat digunakan oleh Tesseract.js. Ini termasuk file yang digunakan oleh Tesseract.js secara default, serta versi alternatif. Isi file dan cara menggunakannya dengan Tesseract.js dijelaskan di bawah.

Data Bahasa

Deskripsi setiap kumpulan file ada di bawah. Sumbernya juga dicantumkan, meskipun versi yang digunakan di sini mungkin tidak mencerminkan versi terbaru dari file di repo yang ditautkan.

• 4.0.0_best_int - Versi Terpadu "Tessdata Best"
  • OEM: LSTM saja
  • Digunakan oleh Tesseract.js secara default: Ya.
    • Ini adalah data default yang digunakan ketika OEM diatur ke LSTM saja, yang merupakan default.
  • Diterbitkan ke paket NPM: Ya.
• 4.0.0 - "Data Tes"
  • OEM: LSTM + Warisan
    • Versi integer dari "Tessdata Best" untuk mesin LSTM disertakan, selain data untuk data Legacy.
  • Digunakan oleh Tesseract.js secara default: Ya.
    • Ini adalah data default yang digunakan ketika OEM diatur ke Legacy atau LSTM dengan Legacy fallback.
  • Diterbitkan ke paket NPM: Ya.
  • Sumber: https://github.com/tesseract-ocr/tessdata
• 4.0.0-fast - "Tessdata Cepat"
  • OEM: LSTM saja
  • Digunakan oleh Tesseract.js secara default: Tidak.
  • Diterbitkan ke paket NPM: Tidak.
  • Sumber: https://github.com/tesseract-ocr/tessdata_fast
• 4.0.0_best - "Tessdata Terbaik"
  • OEM: LSTM saja
  • Digunakan oleh Tesseract.js secara default: Tidak.
    • Data ini bisa jauh lebih besar dibandingkan versi integer dan dapat menghasilkan waktu proses yang lebih lama. Hasilnya mungkin lebih akurat, namun perbedaannya biasanya berkisar dari dapat diabaikan hingga marginal.
    • Sebelum menggunakan data ini, pengembang harus meninjau ukuran file dan menjalankan pengujian akurasi/kinerja untuk memastikan penerapannya bermanfaat.
  • Diterbitkan ke paket NPM: Tidak.
  • Sumber: https://github.com/tesseract-ocr/tessdata_best
• 3.0.2 - File Tessdata bersejarah dari Tesseract v3
  • OEM: Hanya warisan
  • Digunakan oleh Tesseract.js secara default: Tidak.
    • Ini adalah file lama dan mungkin suatu saat akan dihapus dari repo ini.
  • Diterbitkan ke paket NPM: Tidak.

Paket NPM

File 4.0.0 dan 4.0.0_best_int untuk setiap bahasa diterbitkan dalam paket NPM khusus bahasa. Setiap bahasa memiliki paketnya sendiri karena menggabungkannya ke dalam satu paket akan menghasilkan unduhan yang sangat besar. Paket tersebut diberi nama @tesseract.js-data/{lang} . Misalnya, paket bahasa Inggris bernama @tesseract.js-data/eng .

Menggunakan Data Bahasa dengan Tesseract.js

Lihat dokumentasi Tesseract.js untuk petunjuk tentang cara mengatur langPath secara manual. Detail mengenai di mana file dalam repo ini dapat ditemukan ada di bawah.

CDN

File-file ini dapat diakses menggunakan CDN apa pun yang secara otomatis mencerminkan NPM. Contoh populer ada di bawah.

JSDelivr (Bawaan)

Secara default, Tesseract.js menggunakan CDN JSDelivr. Tautan untuk data bahasa Inggris default di JSDelivr ada di bawah. https://cdn.jsdelivr.net/npm/@tesseract.js-data/[email protected]/4.0.0_best_int/eng.traineddata.gz

Buka pkg

Unpkg adalah CDN lain yang mencerminkan NPM. Di sebagian besar wilayah, unpkg tampaknya kurang dapat diandalkan dibandingkan JSDelivr (walaupun masih dapat digunakan). Namun, pengguna telah melaporkan bahwa unpkg dapat diakses di beberapa bagian Tiongkok di mana JSDelivr diblokir, jadi gunakan unpkg untuk alasan tersebut. Diskusi mengenai masalah ini, serta contoh kode yang beralih dari JSDelivr ke unkpg , dapat ditemukan di sini.

Tautan untuk data default bahasa Inggris di unkpkg ada di bawah. https://unpkg.com/@tesseract.js-data/eng/4.0.0_best_int/eng.traineddata.gz

Salinan Lokal

Pengguna bebas menggunakan salinan lokal file-file ini daripada mengandalkan CDN jarak jauh. Untuk Node.js, Anda cukup menambahkan paket NPM yang relevan sebagai dependensi, atau mendownload file dan memasukkannya sebagai sumber daya proyek. Untuk versi browser, cukup unduh file yang relevan dan host sendiri di situs web Anda.

Situs Halaman GitHub (Disusutkan)

Situs tessdata.projectnaptha.com tidak lagi disusutkan dan tidak diperbarui lagi. Jangan arahkan kode baru ke situs ini.

Di Tesseract.js versi lama, lokasi langPath default adalah situs halaman GitHub sederhana yang menghosting repo ini. Namun, selain pengguna yang melaporkan bahwa halaman GitHub tidak dapat diandalkan, repo ini kini melebihi batas ukuran halaman GitHub. Oleh karena itu, situs tersebut tidak lagi diperbarui. Situs ini dibiarkan apa adanya untuk menghindari kerusakan kode lama, namun pengembang didorong untuk beralih.