テストデータ

概要

このリポジトリには、Tesseract.js で使用できる.traineddataのさまざまなセットが含まれています。これには、デフォルトで Tesseract.js によって使用されるファイルと代替バージョンが含まれます。ファイルの内容と Tesseract.js での使用方法については、以下で説明します。

言語データ

ファイルの各セットの説明は以下のとおりです。ソースもリストされていますが、ここで使用されているバージョンは、リンクされたリポジトリ内のファイルの最新バージョンを反映していない可能性があります。

• 4.0.0_best_int - 「Tessdata Best」の統合バージョン
  • OEM: LSTM のみ
  • Tesseract.js によってデフォルトで使用される: はい。
    • これは、OEM が LSTM のみ (デフォルト) に設定されている場合に使用されるデフォルトのデータです。
  • NPM パッケージに公開: はい。
• 4.0.0 - 「テスデータ」
  • OEM: LSTM + レガシー
    • Legacy データのデータに加えて、LSTM エンジン用の「Tessdata Best」の整数化バージョンが含まれています。
  • Tesseract.js によってデフォルトで使用される: はい。
    • これは、OEM がレガシーまたはレガシー フォールバックを備えた LSTM に設定されている場合に使用されるデフォルトのデータです。
  • NPM パッケージに公開: はい。
  • 出典: https://github.com/tesseract-ocr/tessdata
• 4.0.0-fast - 「Tessdata 高速」
  • OEM: LSTM のみ
  • Tesseract.js によってデフォルトで使用される: いいえ。
  • NPM パッケージに公開: いいえ。
  • 出典: https://github.com/tesseract-ocr/tessdata_fast
• 4.0.0_best - "Tessdata ベスト"
  • OEM: LSTM のみ
  • Tesseract.js によってデフォルトで使用される: いいえ。
    • このデータは整数化されたバージョンよりも大幅に大きくなる可能性があり、実行時間が長くなる可能性があります。結果はより正確になる可能性がありますが、その違いは通常、無視できるものからわずかなものまでの範囲にあります。
    • このデータを使用する前に、開発者はファイル サイズを確認し、精度/パフォーマンス テストを実行して、実装する価値があることを確認する必要があります。
  • NPM パッケージに公開: いいえ。
  • 出典: https://github.com/tesseract-ocr/tessdata_best
• 3.0.2 - Tesseract v3 からの過去の Tessdata ファイル
  • OEM: レガシーのみ
  • Tesseract.js によってデフォルトで使用される: いいえ。
    • これらは古いファイルなので、ある時点でこのリポジトリから削除される可能性があります。
  • NPM パッケージに公開: いいえ。

NPMパッケージ

各言語の4.0.0および4.0.0_best_intファイルは、言語固有の NPM パッケージで公開されます。単一のパッケージに結合するとダウンロードが膨大になるため、各言語には独自のパッケージがあります。パッケージの名前は@tesseract.js-data/{lang}です。たとえば、英語のパッケージの名前は@tesseract.js-data/engです。

Tesseract.js での言語データの使用

langPath手動で設定する方法については、Tesseract.js のドキュメントを参照してください。このリポジトリ内のファイルがどこにあるかに関する詳細は以下のとおりです。

CDN

これらのファイルには、NPM を自動的にミラーリングする任意の CDN を使用してアクセスできます。よくある例を以下に示します。

JSDelivr (デフォルト)

デフォルトでは、Tesseract.js は JSDelivr CDN を使用します。 JSDelivr のデフォルト英語データのリンクは以下です。 https://cdn.jsdelivr.net/npm/@tesseract.js-data/[email protected]/4.0.0_best_int/eng.traineddata.gz

パッケージを解除する

Unpkg は、NPM をミラーリングするもう 1 つの CDN です。ほとんどの地域では、unpkg は JSDelivr よりもわずかに信頼性が低いようです (それでも使用可能ですが)。ただし、JSDelivr がブロックされている中国の一部の地域では unpkg にアクセスできるとユーザーが報告しているため、その理由から unpkg を使用してください。この問題に関するディスカッションと、 JSDelivr からunkpgに切り替えるサンプル コードは、ここにあります。

unkpkg のデフォルト英語データのリンクは以下です。 https://unpkg.com/@tesseract.js-data/eng/4.0.0_best_int/eng.traineddata.gz

ローカルコピー

ユーザーは、リモート CDN に依存するのではなく、これらのファイルの独自のローカル コピーを自由に使用できます。 Node.js の場合は、関連する NPM パッケージを依存関係として追加するか、ファイルをダウンロードしてプロジェクト リソースとして含めることができます。ブラウザ版の場合は、関連ファイルをダウンロードして、Web サイト上でホストするだけです。

GitHub ページ サイト (廃止予定)

tessdata.projectnaptha.comサイトは廃止され、更新されなくなりました。新しいコードをこのサイトに向けないでください。

Tesseract.js の古いバージョンでは、デフォルトのlangPathの場所は、このリポジトリをホストする単純な GitHub ページ サイトでした。ただし、GitHub ページは信頼できないとユーザーが報告していることに加えて、このリポジトリは現在 GitHub ページのサイズ制限を超えています。したがって、そのサイトは更新されなくなりました。古いコードの破壊を避けるためにサイトは現状のまま残されていますが、開発者には切り替えることが推奨されています。