Тессданные

Обзор

Этот репозиторий содержит различные наборы .traineddata , которые может использовать Tesseract.js. Сюда входят файлы, используемые Tesseract.js по умолчанию, а также альтернативные версии. Содержимое файлов и способы их использования с Tesseract.js описаны ниже.

Языковые данные

Описание каждого набора файлов приведено ниже. Источник также указан, хотя используемая здесь версия может не отражать последнюю версию файлов в связанном репозитории.

• 4.0.0_best_int — Интегрированная версия «Tessdata Best»
  • OEM: только LSTM
  • Используется Tesseract.js по умолчанию: Да.
    • Это данные по умолчанию, используемые, когда OEM установлен только на LSTM, что является значением по умолчанию.
  • Опубликовано в пакете NPM: Да.
• 4.0.0 - "Тессдата"
  • OEM: LSTM + наследие
    • В дополнение к данным для устаревших данных включена целочисленная версия «Tessdata Best» для механизма LSTM.
  • Используется Tesseract.js по умолчанию: Да.
    • Это данные по умолчанию, используемые, когда для OEM установлено значение Legacy или LSTM с резервным вариантом Legacy.
  • Опубликовано в пакете NPM: Да.
  • Источник: https://github.com/tesseract-ocr/tessdata.
• 4.0.0-fast - «Тессдата Фаст»
  • OEM: только LSTM
  • По умолчанию используется Tesseract.js: Нет.
  • Опубликовано в пакете NPM: Нет.
  • Источник: https://github.com/tesseract-ocr/tessdata_fast.
• 4.0.0_best — «Лучший Tessdata»
  • OEM: только LSTM
  • По умолчанию используется Tesseract.js: Нет.
    • Эти данные могут быть значительно больше, чем целочисленная версия, что может привести к увеличению времени выполнения. Результаты могут быть более точными, однако разница обычно варьируется от незначительной до незначительной.
    • Прежде чем использовать эти данные, разработчикам следует проверить размеры файлов и провести тесты точности/производительности, чтобы убедиться в целесообразности внедрения.
  • Опубликовано в пакете NPM: Нет.
  • Источник: https://github.com/tesseract-ocr/tessdata_best.
• 3.0.2 — Исторические файлы Tessdata из Tesseract v3.
  • OEM: только устаревшие версии
  • По умолчанию используется Tesseract.js: Нет.
    • Это старые файлы, и в какой-то момент они могут быть удалены из этого репозитория.
  • Опубликовано в пакете NPM: Нет.

Пакеты НПМ

Файлы 4.0.0 и 4.0.0_best_int для каждого языка публикуются в пакете NPM для конкретного языка. Для каждого языка имеется свой собственный пакет, поскольку объединение в один пакет приведет к огромной загрузке. Пакеты называются @tesseract.js-data/{lang} . Например, пакет на английском языке называется @tesseract.js-data/eng .

Использование языковых данных с Tesseract.js

Инструкции по настройке langPath вручную см. в документации Tesseract.js. Подробности о том, где можно найти файлы в этом репозитории, приведены ниже.

CDN

Доступ к этим файлам можно получить с помощью любого CDN, который автоматически зеркалирует NPM. Популярные примеры приведены ниже.

JSDelivr (по умолчанию)

По умолчанию Tesseract.js использует CDN JSDelivr. Ссылка на данные по умолчанию на английском языке в JSDelivr приведена ниже. https://cdn.jsdelivr.net/npm/@tesseract.js-data/[email protected]/4.0.0_best_int/eng.traineddata.gz

Распаковать

Unpkg — это еще один CDN, отражающий NPM. В большинстве регионов unpkg кажется немного менее надежным, чем JSDelivr (хотя его все еще можно использовать). Однако пользователи сообщают, что unpkg доступен в тех частях Китая, где заблокирован JSDelivr, поэтому используйте unpkg по этой причине. Обсуждение этой проблемы, а также пример кода переключения с JSDelivr на unkpg можно найти здесь.

Ссылка на данные по умолчанию на английском языке в unkpkg приведена ниже. https://unpkg.com/@tesseract.js-data/eng/4.0.0_best_int/eng.traineddata.gz

Локальная копия

Пользователи могут использовать свою собственную локальную копию этих файлов, а не полагаться на удаленный CDN. Для Node.js вы можете просто добавить соответствующие пакеты NPM в качестве зависимости или загрузить файл и включить его в качестве ресурса проекта. Для версии для браузера просто загрузите соответствующие файлы и разместите их на своем веб-сайте.

Сайт GitHub Pages (устарело)

Сайт tessdata.projectnaptha.com устарел и больше не обновляется. Не указывайте новый код на этом сайте.

В старых версиях Tesseract.js расположением langPath по умолчанию был простой сайт страниц GitHub, на котором размещался этот репозиторий. Однако помимо сообщений пользователей о ненадежности страниц GitHub, размер этого репозитория теперь превышает ограничение на размер страниц GitHub. Поэтому этот сайт больше не обновляется. Сайт оставлен как есть, чтобы избежать взлома старого кода, однако разработчикам рекомендуется перейти на него.