Как дообучить Tesseract для распознавания мансийского языка

Исследователи ЮНИИИТ дообучили движок Tesseract 5 для оптического распознавания символов (OCR) мансийского языка, снизив долю ошибок с 18,5% до 0,85%. Модель доступна в открытом доступе и предназначена для оцифровки бумажных текстов с целью создания корпусов данных для малоресурсных языков.