Repolode
Enviar
tesseract-ocr

tesseract-ocr/tesseract

Um mecanismo OCR de código aberto (libtesseract) e uma ferramenta de linha de comando que extraem texto de imagens, com reconhecimento baseado em LSTM e suporte a mais de 100 idiomas.

Alternativa open source a:Adobe Acrobat OCRABBYY FineReader

Ver no GitHubSite
Estrelas
77,087
Forks
10,852
Issues abertas
494
Último commit
há 16 horas

O que é?

Tesseract é um mecanismo de reconhecimento óptico de caracteres que lê texto em imagens. Ele é disponibilizado como a biblioteca libtesseract e como um programa de linha de comando chamado tesseract, podendo ser usado diretamente no shell ou integrado a outro aplicativo por meio da API C ou C++.

O mecanismo atual é baseado em uma rede neural LSTM voltada ao reconhecimento de linhas de texto e ainda oferece suporte ao mecanismo legado de padrões de caracteres do Tesseract 3 por meio de uma opção de modo do mecanismo. O reconhecimento funciona com texto UTF-8 e com vários idiomas desde o início, e é possível treinar modelos para idiomas adicionais. Os formatos de entrada incluem PNG, JPEG e TIFF; as saídas podem ser texto simples, hOCR, PDF (inclusive PDF somente com texto invisível), TSV, ALTO ou PAGE.

O projeto não inclui uma interface gráfica. A qualidade da imagem afeta bastante os resultados, então muitas vezes é necessário pré-processar a entrada. Os bindings para outras linguagens de programação são mantidos separadamente.

Recursos principais

  • 01Reconhecimento de linhas por rede neural (LSTM), com compatibilidade com o mecanismo legado
  • 02Reconhece mais de 100 idiomas e gera saída em UTF-8
  • 03Aceita imagens de entrada nos formatos PNG, JPEG e TIFF
  • 04Gera texto simples, hOCR, PDF pesquisável, TSV, ALTO e PAGE
  • 05Disponibiliza APIs C e C++ por meio do libtesseract
  • 06Permite treinar modelos de idioma personalizados

Casos de uso

  • Extrair texto de documentos digitalizados e gerar PDFs pesquisáveis
  • Digitalizar livros impressos ou formulários em um pipeline em lote
  • Adicionar OCR a um serviço de backend por meio da API C ou C++
  • Reconhecer texto em fotos de placas ou etiquetas pela linha de comando

Início rápido

  1. 1

    Instale o Tesseract a partir de um pacote binário pré-compilado (consulte a documentação de instalação indicada no README)

  2. 2

    Ou compile o Tesseract a partir do código-fonte (verifique primeiro se o seu compilador é compatível)

  3. 3

    Execute OCR em uma imagem usando o comando básico: tesseract imagename outputbase [-l lang]

Antes de usar

  • O projeto não inclui um aplicativo com GUI; para isso, você precisa de uma ferramenta de terceiros.
  • O reconhecimento de idiomas requer arquivos traineddata separados.
  • A precisão do OCR muitas vezes depende da melhoria da qualidade da imagem de entrada.

Tópicos

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

Perguntas frequentes

O que é tesseract?
Um mecanismo OCR de código aberto (libtesseract) e uma ferramenta de linha de comando que extraem texto de imagens, com reconhecimento baseado em LSTM e suporte a mais de 100 idiomas. Tesseract é um mecanismo de reconhecimento óptico de caracteres que lê texto em imagens. Ele é disponibilizado como a biblioteca libtesseract e como um programa de linha de comando chamado tesseract, podendo ser usado diretamente no shell ou integrado a outro aplicativo por meio da API C ou C++.
tesseract é gratuito? Qual é a licença?
tesseract é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
tesseract ainda é mantido?
Manutenção ativa. O último commit de tesseract foi em 20 de out. de 2026.
Para que posso usar tesseract?
Extrair texto de documentos digitalizados e gerar PDFs pesquisáveis Digitalizar livros impressos ou formulários em um pipeline em lote Adicionar OCR a um serviço de backend por meio da API C ou C++ Reconhecer texto em fotos de placas ou etiquetas pela linha de comando
Como instalar tesseract?
Instale o Tesseract a partir de um pacote binário pré-compilado (consulte a documentação de instalação indicada no README) Ou compile o Tesseract a partir do código-fonte (verifique primeiro se o seu compilador é compatível) Execute OCR em uma imagem usando o comando básico: tesseract imagename outputbase [-l lang]
Onde consigo tesseract?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/tesseract-ocr/tesseract

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados