Repolode
投稿する
tesseract-ocr

tesseract-ocr/tesseract

画像からテキストを抽出するオープンソースのOCRエンジン（libtesseract）とコマンドラインツール。LSTMベースの認識に対応し、100以上の言語を扱えます。

代替できる製品:Adobe Acrobat OCRABBYY FineReader

GitHub で見る公式サイト
スター
77,087
フォーク
10,852
未解決の Issue
494
最終コミット
16 時間前

これは何？

Tesseractは、画像からテキストを読み取る光学文字認識エンジンです。libtesseractライブラリとtesseractというコマンドラインプログラムが提供されており、シェルから直接利用することも、CまたはC++ APIを通じて別のアプリケーションに組み込むこともできます。

現行のエンジンはテキスト行の認識に特化したLSTMニューラルネットワークをベースとしており、エンジンモードのオプションを使えば、Tesseract 3の旧式の文字パターンエンジンも引き続き利用できます。UTF-8テキストを扱え、多くの言語に標準で対応しているほか、追加の言語向けにモデルをトレーニングすることもできます。入力形式はPNG、JPEG、TIFFに対応し、出力形式はプレーンテキスト、hOCR、PDF（不可視テキストのみのPDFを含む）、TSV、ALTO、PAGEです。

このプロジェクトにはグラフィカルインターフェースは含まれていません。画像の品質は認識結果に大きく影響するため、入力画像の前処理が必要になることがよくあります。他のプログラミング言語向けのバインディングは別途管理されています。

主な機能

  • 01LSTMニューラルネットワークによる行認識と、旧式エンジンとの互換性
  • 02UTF-8出力で100以上の言語を認識
  • 03PNG、JPEG、TIFF形式の画像入力に対応
  • 04プレーンテキスト、hOCR、検索可能なPDF、TSV、ALTO、PAGE形式で出力
  • 05libtesseractを通じてCおよびC++ APIを提供
  • 06カスタム言語モデルのトレーニングに対応

ユースケース

  • スキャンした文書からテキストを抽出し、検索可能なPDFにする
  • バッチ処理パイプラインで印刷された書籍やフォームをデジタル化する
  • CまたはC++ APIを使ってバックエンドサービスにOCRを追加する
  • コマンドラインから看板やラベルの写真に写ったテキストを認識する

クイックスタート

  1. 1

    READMEにリンクされているインストール手順を参照し、ビルド済みバイナリパッケージからTesseractをインストールします

  2. 2

    または、Tesseractをソースからビルドします（最初に、お使いのコンパイラがサポートされているか確認してください）

  3. 3

    基本的な使い方で画像にOCRを実行します：tesseract imagename outputbase [-l lang]

使う前に知っておきたいこと

  • このプロジェクトにはGUIアプリケーションが含まれていないため、GUIを使うにはサードパーティ製ツールが必要です。
  • 言語を認識するには、言語ごとに個別のtraineddataファイルが必要です。
  • OCRの精度を高めるには、入力画像の品質を改善する必要がある場合がよくあります。

トピック

#ocr#text-recognition#lstm#computer-vision#machine-learning#c-plus-plus#image-processing#hacktoberfest#ocr-engine#tesseract

よくある質問

tesseract とは？
画像からテキストを抽出するオープンソースのOCRエンジン（libtesseract）とコマンドラインツール。LSTMベースの認識に対応し、100以上の言語を扱えます。 Tesseractは、画像からテキストを読み取る光学文字認識エンジンです。libtesseractライブラリとtesseractというコマンドラインプログラムが提供されており、シェルから直接利用することも、CまたはC++ APIを通じて別のアプリケーションに組み込むこともできます。
tesseract は無料で使えますか？ライセンスは？
tesseract は Apache-2.0 ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。
tesseract は今もメンテナンスされていますか？
活発にメンテナンス中。tesseract の最終コミットは 2026年10月20日 です。
tesseract は何に使えますか？
スキャンした文書からテキストを抽出し、検索可能なPDFにする バッチ処理パイプラインで印刷された書籍やフォームをデジタル化する CまたはC++ APIを使ってバックエンドサービスにOCRを追加する コマンドラインから看板やラベルの写真に写ったテキストを認識する
tesseract のインストール方法は？
READMEにリンクされているインストール手順を参照し、ビルド済みバイナリパッケージからTesseractをインストールします または、Tesseractをソースからビルドします（最初に、お使いのコンパイラがサポートされているか確認してください） 基本的な使い方で画像にOCRを実行します：tesseract imagename outputbase [-l lang]
tesseract はどこで入手できますか？
ソースコードとインストール手順は GitHub にあります：https://github.com/tesseract-ocr/tesseract

概要はプロジェクトの README をもとに AI が生成しています。GitHub の数値は毎日更新されます。

関連プロジェクト