 Selamat pagi, semua. Terima kasih dari GoLang Singapura untuk meminta saya berbicara tentang sebuah topik yang sangat menarik untuk... Okay, hari ini saya akan berbicara tentang karakter optik-charakter implementasi dengan GoLang. Jadi, kita keluar dari belakang, mari kita mulai. Biar saya memperkenalkan diri saya dulu. Maafkan saya. Oke, nama saya adalah Kenar Ujwadi. Anda bisa panggil saya Ken. Dan saya sekarang bekerja di Shopee Indonesia sebagai software engineer. Di Shopee Indonesia, kami bekerja tentang bagaimana aplikasi dan servis untuk menggunakan pelanggan untuk menggunakan produk kita. Sebelumnya, saya juga bekerja di Tokopedia dan Ovo. Tokopedia adalah salah satu yang terbesar di Indonesia. Dan juga bekerja dengan GoLang pada waktu itu. Dan yang kedua adalah Ovo. Kalau Anda tahu Grap, Indonesia juga ada Grap di Indonesia. Dan penggunaan yang kita gunakan di Indonesia, Grap adalah Ovo. Oke, apa OCR? Kenapa kita harus membawa soal ini hari ini? Oke, OCR sendiri adalah sistem yang bisa menggunakan gambar, teks, dan mengidentifikan mereka menjadi dokumen teks. Maksud saya, apabila sebuah gambar dan sebuah teks, ia akan menggunakan sebuah gambar, dan ia akan digunakan menjadi dokumen teks. Jadi Anda dapat menggunakan itu menjadi sebuah teks yang bisa dilakukan ke sistem Anda atau sistem parti. Dan untuk OCR sendiri, itu memiliki dua jenis. Yang pertama adalah gambar. Gambar itu menggunakan input yang berbeda dari penggunaan. Karena seperti kita tahu, setiap manusia apabila kita suka alfabet, itu tidak sama sekali. Jadi itu sebabnya di OCR kita membutuhkan sampe yang berbeda dari satu alfabet. Dan sistemnya akan mengambil, mengambil, dan mengambil data. Dan mengidentifikan apakah mereka memiliki h atau mereka memiliki kekurangan unik. Dan mereka mengidentifikan bahwa karakter itu mungkin kelasik atas a atau b atau nombor atau sebuah karakter. Dan juga di OCR, itu tidak hanya sebuah teks untuk karakter. Ia juga melihat tentang gambar dan vokabulari. Ia memiliki kekurangan unik. Dan setelah menggunakan sebuah sebuah sebuah gambar dan karakter, kita memiliki kekurangan unik. Pada kekurangan unik, penggunaan akan membutuhkan beberapa kekurangan unik dalam sebuah sebuah teks. Dan kemudian di sistem OCR, ia akan menghasilkan sebuah data dari model karakter, dan mungkin dari database gambar, dan segera membuat kekurangan unik. Setelah sistemnya cukup percaya tentang kekurangan unik, ia akan memiliki kekurangan unik dalam sebuah kekurangan unik. Seperti yang kita lihat di sini, ini adalah kekurangan unik untuk kekurangan unik. Oke, kita sudah berbicara tentang OCR dan bagaimana itu berhasil. Tapi kenapa kita harus tahu kekurangan OCR? Sebenarnya di OCR, ia sudah memiliki kekurangan unik dalam kekurangan unik. Pertama yang saya tahu adalah beberapa aplikasi Fintech, ia akan membuat anda mencancar kekurangan unik atau kekurangan unik. Dan kemudian ia akan membutuhkan kekurangan unik untuk sistem anda. Pertama-tama, penggunaan tidak perlu dibuat 1x1, jadi sistem akan membutuhkan kekurangan unik sendiri. Dan di beberapa negara, ada beberapa kamera untuk menetapkan kekurangan unik. Apabila kekurangan unik, kamera juga menetapkan kekurangan unik kekurangan unik. Itu adalah OCR. Dan mungkin di aplikasi. Di aplikasi, apabila anda mencancar kekurangan unik dalam kekurangan unik atau kekurangan unik, ia membutuhkan kekurangan unik, kekurangan unik dan sebagainya. Pertama-tama, kita berbicara tentang OCR. Kenapa kita harus belajar OCR? Dan kemudian, bagaimana kita akan memiliki kekurangan unik kita? Apabila kita harus mulai? Apakah sistem yang kita harus memastikan? Jadi, peringkatan itu adalah terserah. Mungkin beberapa of you tahu terserah seperti, oh, itu terserah yang terlihat di kekurangan unik tapi tidak, itu bukan terserah yang saya maksudkan, tapi ini terserah. Terserah OCR, kekurangan unik untuk OCR karena itu kekurangan unik, jadi itu bermanfaat. Dan juga kekurangan unik dengan Apache dan kembali oleh Google. Sehingga saya tahu, kekurangan unik ini adalah kekurangan unik yang paling akurat kekurangan unik OCR untuk itu. Dan seperti yang saya beritahu sebelumnya, apa itu terserah OCR? Terserah OCR sendiri adalah kekurangan unik OCR kekurangan unik OCR. Setelah Anda menghargai dan Anda memastikan di komputer Anda, Anda bisa menggunakan dengan langsung. Dan kekurangan unik OCR yang paling akurat untuk berjumpa. Dan jika Anda memastikan dengan beberapa instruksi seperti kekurangan unik, atau kekurangan unik, Anda akan mendapat versi yang paling rendah. Ini adalah versi 411 yang telah dilatih pada 26 Desember 2019. Dan juga versi 5.0 adalah pengaruh. Jadi jika Anda ingin menggunakan versi 5.0, ada instruksi, dan Anda dapat menggunakan ke komputer Anda. Tapi menggunakan dengan kekurangan unik karena itu tetap menggunakan versi 5.0. Dan seperti yang saya beritahu sebelumnya, itu menggunakan pengaruh dengan FHC Apache 2.0 dan kembali dengan Google. Bagaimana untuk digunakan? Anda bisa menggunakan Tesserac dengan link github.com. Tesserac OCR, Tesserac Wiki. Dan seperti yang saya beritahu sebelumnya, jika Anda ingin menggunakan instruksi yang paling rendah, Anda bisa menggunakan MacPorts atau Proof. Ia bergantung pada aplikasi Anda. Oke, jadi biar saya memberikan beberapa demo terhadap Tesserac. Oke, tunggu. Maaf. Oke, Anda bisa melihat skrim saya sekarang? Kita masih melihat slide-nya. Oh, hanya melihat slide-nya. Oke, maaf. Tunggu, saya harus memberikan demo dulu. Oke. Oke, Anda bisa melihat slide-nya di luar saya? Oke. Oke, jadi sekarang saya ada, tunggu, saya menggunakan yang ini dulu. Dili. Dili. Oke. Saya memiliki dua gambar di sini. Saya ingin mengambilnya dengan OCR, OCR engine. Yang pertama di sini. Yang ini. Yang keputusan itu, itu adalah sebuah teks. Dan yang kedua, itu dibuat dengan sebuah teks japan dan sebuah teks Inggris. Jadi, biar saya mulai dulu. Jadi, biar saya mulai dulu. Oke. Tunggu. Boleh Anda melihat saya menggunakan di sini? Ya. Jadi, biar saya mulai dulu. Pada versi test-select, untuk mengatakan bahwa ini sudah dimulai. Ya, sudah dimulai. Dan kemudian test-select, nama file ini adalah OCR test. JPG. Dan kita ingin mengambilnya ke dalam file. Jadi, kita harus mengambil nama file ini. Ini adalah keputusan yang pertama. Dan kita pilih minus L untuk menggabungkan langkahnya. Karena ini ada 100 keputusan Inggris. Jadi, saya mengambil ENG di sini. Saya mengambil ENG di sini. Pilih, kemudian akan di-confirkan ke file baru. Halo. Saya rasa kita memiliki problem internet. Ya, saya rasa begitu. Minta maaf. Terima kasih, Michael Glitch. Ini adalah cara video meet-up, online meet-up. Ya. Saya tidak bisa kembali beberapa minit lagi. Maaf, internet saya sudah selesai. Jadi, saya menggunakan backup saya. Untuk meminta maaf. Jadi, apa yang terakhir saya presentasi? Anda di terminal? Ya. Oh, oke. Oke, mari saya lanjut dari terminal saya. Terminal. Terminal. Just click. Stop. Maaf, saya... Kita berkongsi. Kita berkongsi di sini. Oke, mari saya lanjut. Maaf, saya meminta maaf untuk masalah teknik. Oke, jadi seperti yang kita lihat, output sendiri adalah 90% yang sama dengan input. Kita bisa lihat di sini. Publikasi dari pekerjaan John Knox ini seharusnya akan berkongsi dengan volume saya. Tapi ada sesuatu yang terjadi seperti yang ini, yang ini, ini berkongsi seperti itu. Dan John Knox berkongsi dengan John Knox. Karena karakter sendiri tidak kecil karakter, seperti tidak suksesif, tidak suksesif, lebih seperti beberapa kesilapan. Dan kita harus memasukkannya apabila kita ingin memulai OCR. Dan juga, apabila kita ingin memasukkannya, kita ingin memasukkannya. Biar saya memasukkannya dulu. Biar saya memasukkannya dulu. Dan kemudian kita melakukan perkara yang sama, kita pilih teks Jepet Output nomor 2. Dan karena langganya berkongsi, ada 2 langganya. Ini adalah Jepetan dan Inggris. Jadi kita menggunakan Inggris dan Jepetan. Kita memiliki 2 teks Output. Kita hanya memasukkannya. Dan kemudian Output adalah quite similar dengan Input. Okay, bergerak dengan presentation. Untuk presentation. Oke, jadi kita sudah tahu OCR berkongsi dengan langganya. Dan kita hanya memberikan Input. Dan kita bisa memasukkan Output ke teks Jepetan. Dan kemudian karena topik kita adalah implementation dalam langganya. Bagaimana kita memasukkannya dalam langganya? Pertama-tama kita sudah memiliki 1 teks Jepetan yang memasukkan OCR. Itulah GoSarag. Terima kasih kepada pembinaan-pembinaan-pembinaan. Dia membuat teks Jepetan. Dan teks Jepetan ini juga listan di awesome-go.com. Jadi ini memiliki pembinaan-pembinaan-pembinaan. Karena sudah di-listan di awesome-go. Dan teks Jepetan ini juga memasukkan sebuah C++ teks Jepetan dan Golang. Jadi teks Jepetan ini memasukkan 2 teks Jepetan. Cs C++ ke Golang. Seperti yang anda tahu, kita memiliki C-Library. Sekarang pertanyaannya, bagaimana kita akan memakai C-Library ini? Biar kita memasukkan kode sample dulu. Oke. Bisa memasukkan kode FISOS? Ya. Oke. Jadi mari kita mulai. Seperti biasa, kita memasukkan pembinaan-pembinaan dan kita memasukkan pembinaan-pembinaan. Pada pertama kali. Oke, jadi kita ingin memasukkan Golang dalam kode ini. Bagaimana kita akan membuat itu? Kita harus memasukkan dulu. Kita membuat klien-library dulu. Klien-library yang sama dengan Golang. Golang.newClient. Ya. Kita akan memasukkan github.com.ot.tiat10. Kita sudah membuat klien. Pada pertama kali kita harus membuat memasukkan pembinaan-pembinaan dulu. Jadi kita memasukkan pembinaan-pembinaan. Pembinaan-pembinaan. Klien.setImage. Dan di tangan-lihan saya, ada OCRTest.GPJ. Kita memasukkan yang ini. OCRTest.GPJ. Dan bukan hanya itu, seperti yang kita lakukan dalam pembinaan-pembinaan, kita juga memasukkan language yang kita ingin memasukkan. Jadi memasukkan language klien.setLanguage. Klien.setLanguage. Klien.setLanguage. Kita harus memasukkan yang sama dengan pembinaan-pembinaan. Karena pembinaan biasanya memasukkan bahasa Inggris, kita memasukkan pembinaan-pembinaan. Oke, kita sudah memasukkan parameter dan bagaimana kita memasukkan resultnya. Kita memasukkan seperti ini. Output, output, comma error yang sama dengan klien.txt. Ya, itu saja. Output. Dan seperti biasa, kita memasukkan error dengan pembinaan-pembinaan. Kita memasukkan kita memasukkan error yang berlaku, pembinaan-pembinaan dengan klien.txt. Dan tentu saja, apabila kita berhasil, kita harus memasukkan outputnya. Kita memasukkan fmt-print-learn-output. Itu saja. Bagus. Kita coba. Pembinaan-pembinaan.txt. Oke, kita sudah memasukkan outputnya. Ini resultnya, yang sama dengan apabila kita memasukkan dengan pembinaan-pembinaan. Sama. Jadi bagaimana kita memasukkan dengan pembinaan-pembinaan ini. Dan juga kita harus memasukkan Tesseract LCR untuk memasukkan. Oke, kembali ke slide. Sebenarnya, apa yang saya tunjukkan untuk Anda, adalah jalanan-pembinaan. Anda hanya memasukkan pembinaan-pembinaan dan memasukkan pembinaan-pembinaan. Tapi, tapi masalah sekarang adalah ada beberapa limitas teknikal yang berlaku apabila kita memasukkan pembinaan-pembinaan. Pertama, kita memasukkan pembinaan-pembinaan. Seperti kita bisa melihat pembinaan-pembinaan ini, pembinaan-pembinaan ini full color dan pembinaan-pembinaan ini tidak cukup distinctif dengan tempat lain. Jadi, untuk membuatnya lebih distinctif dan lebih mudah untuk memasukkan, kita harus memasukkan pembinaan-pembinaan ini. Pembinaan-pembinaan ini dan terlihat bahwa itu cukup distinctif. Dan kemudian, ini tentang sebuah pembinaan-pembinaan. Seperti yang Anda lihat di sini, pembinaan-pembinaan, setiap pembinaan-pembinaan, harus dilatih secara separat. Maksud saya, apabila kita melihat ada beberapa pembinaan-pembinaan, ada teks dan teks dan pembinaan-pembinaan ini pembinaan-pembinaan ini dan kita hampir tidak dapat melihat teks dan beberapa mereka cukup distinctif. Jadi, Anda bisa menggunakan area dan mengambil termasuk dan OCR akan mengambil output seperti yang Anda menunggu. Tapi beberapa mereka jika pembinaan-pembinaan itu tidak cukup distinctif, seperti pembinaan-pembinaan-pembinaan, supaya pembinaan-pembinaan itu tidak akan mengambil seperti yang kita menunggu. Mungkin tidak ada output dari pembinaan-pembinaan itu. Dan yang terakhir adalah tentang pembinaan-pembinaan dan pembinaan-pembinaan karakter. Ya, salah satu adalah apabila kita ingin mengambil O, karakter O, mungkin tidak bisa berbeda. Mungkin tidak bisa berbeda. Jadi, apabila kita ingin mengambil pembinaan-pembinaan dari input yang kita menunggu semua karakter, setiap pembinaan-pembinaan, kita harus membuat pembinaan-pembinaan. Kami hanya mengambil pembinaan-pembinaan jadi apabila kita ingin mengambil pembinaan-pembinaan, akan menjelaskan pembinaan-pembinaan. Karena kita hanya mengambil pembinaan-pembinaan 0-9. Dan juga berlaku apabila kita ingin memiliki input yang hanya menghormati pembinaan-pembinaan. Pembinaan-pembinaan HXA hanya menghormati pembinaan-pembinaan 0-9-8-2-F. Jadi kita harus mengambil pembinaan-pembinaan 0-9-8-2-F. Atau mungkin kita ingin menggunakan pembinaan-pembinaan seperti kita ingin mengubah pembinaan-pembinaan atau ingin mengubah pembinaan-pembinaan, biasanya berlaku dalam input dengan pembinaan-pembinaan apabila kita ingin mengambil pembinaan-pembinaan. Oke. Sebenarnya, saya ingin memberitahui cerita yang sebelum saya memiliki pembinaan-pembinaan. 1 tahun lalu ada 1 permainan yang saya suka. Dan saya ingin memiliki OCR karena saya ingin membuat proses streamline apabila kita ingin mengambil pembinaan-pembinaan dan kita ingin mengambil pembinaan-pembinaan dari gambar itu. Ya, mungkin beberapa of you tahu pembinaan-pembinaan Gita Dora. Gita Dora adalah permainan yang dibuat oleh Konami dan juga memiliki pembinaan-pembinaan. Dan 1 tahun lalu saya memiliki proses untuk mengambil pembinaan dari gambar itu. Karena dalam gambar ini ada 1 aplikasi yang bisa mengambil pembinaan-pembinaan dalam gambar. Jadi, saya ambil pembinaan dan membuat program untuk mengambil beberapa data yang penting. Seperti yang ini. Saya mengambil pembinaan-pembinaan dari gambar ini. Dan saya mengambil pembinaan-pembinaan, pembinaan-pembinaan, dan pembinaan-pembinaan. Saya membuat sistem ini karena pada masa itu ada beberapa inisiatif dari komunitas untuk membuat kompetisi tentang gambar ini. Dan kita ingin membuatnya lebih mudah untuk mengambil pembinaan-pembinaan. Jadi, kita membuat sistem ini dan kita harap kita bisa mengambil pembinaan-pembinaan dari pembinaan-pembinaan. Jadi, jika Anda ingin melihat gambar ini, ada di github.com. www.github.com. Kalau Anda ingin melihatnya. Oke, itu saja. Oke, ada pertanyaan? Terima kasih, Kenneth. Ada pertanyaan untuk pembinaan? Oke. Nampaknya tidak. Oke. Jadi, ya. Biar saya memikirkan mereka. Jadi, jika Anda memiliki pertanyaan, atau mungkin Anda ingin mengambil pertanyaan dalam masa depan, Anda bisa hantar saya e-mel dengan Kenneth Richardi di www.shopee.com, atau mungkin Kenneth Richardi di www.gmail.com. Terima kasih, Kenneth. Terima kasih. Terima kasih, Kenneth. Terima kasih. Terima kasih. Terima kasih. Oke. Baiklah. Itu saja yang kita punya untuk perjalanan ini. Terima kasih untuk berjalan-jalan. Kita ada sekitar 70-60 orang. Terima kasih untuk mereka. Terima kasih untuk mereka. Terima kasih lagi. Oke. Terima kasih untuk datang. Sampai jumpa lagi. Selamat tinggal.