[ Stack technique ]

Tesseract OCR

Le moteur OCR open source de référence pour numériser des documents imprimés.

Tesseract est un moteur OCR open source dont le reconnaisseur de lignes repose sur un réseau LSTM, avec plus de cent langues et scripts disponibles et des modèles ré-entraînables sur une police ou un corpus métier. Il produit du texte brut, du hOCR, du TSV ou du PDF cherchable, et s'utilise en ligne de commande, via l'API C++ ou le binding Python pytesseract. C'est notre choix quand des documents imprimés doivent être lus sur l'infrastructure du client, sans envoyer une seule page à une API externe.

Discuter d'un projet Site officiel

[ Pourquoi Tesseract OCR chez Dexon ]

Ce que cette techno fait bien, et pourquoi nous la mobilisons.

Usage typique : Lecture de factures et bons de livraison, dématérialisation d'archives, extraction de champs sur formulaires scannés.

01
Moteur LSTM : plus de cent langues et scripts, modèles fast ou best.
02
Sorties texte, hOCR, TSV, ALTO et PDF cherchable avec positions des mots.
03
Ré-entraînement sur une police ou un corpus métier pour gagner en précision.
04
Licence Apache 2.0, exécution CPU sur site : aucune donnée envoyée à un tiers.

[ Technologies complémentaires ]

Les briques que nous mobilisons souvent en parallèle

Une stack existe rarement seule. Voici les technologies que Dexon associe le plus souvent à celle-ci, par habitude de pipeline, similarité d'usage ou maîtrise interne. Cliquez sur une brique pour voir son périmètre.