Cómo controlar el uso de memoria de OCR en paralelo en C#
Cada página procesada en paralelo por IronOCR asigna su propia instancia nativa del motor Tesseract. Para grandes lotes - cientos de páginas de un PDF escaneado o una carpeta de imágenes - el consumo de memoria se escala linealmente con el número de páginas concurrentes. La propiedad IronTesseract.MaxDegreeOfParallelism limita cuántas páginas se OCR a la vez dentro de una sola llamada Read, y IronTesseract.MultiThreaded cambia a procesamiento completamente secuencial cuando se establece en false.
Configura una sola propiedad para limitar cuántas páginas lee IronOCR a la vez, manteniendo el uso máximo de memoria dentro de un presupuesto conocido.
-
1Instalar IronOCR con NuGet Package Manager
-
2Copie y ejecute este fragmento de código.
var ocr = new IronOcr.IronTesseract { MaxDegreeOfParallelism = 4 };Dim ocr = New IronOcr.IronTesseract With { .MaxDegreeOfParallelism = 4 }Dim ocr = New IronOcr.IronTesseract With { .MaxDegreeOfParallelism = 4 } -
3Despliegue para probar en su entorno real
Empiece a usar IronOCR en su proyecto hoy con una prueba gratuita
Flujo de trabajo mínimo (5 pasos)
- Instalar IronOCR vía NuGet para controlar el paralelismo OCR
- Crea una instancia de
IronTesseract - Configura
MaxDegreeOfParallelismal límite deseado - Carga las páginas en un
OcrInput - Llama a
Read- solo el número limitado de páginas se procesa concurrentemente
¿Por qué crece la memoria de OCR durante grandes lotes?
Cuando MultiThreaded está true, que es el valor predeterminado, IronOCR procesa páginas en paralelo. Cada página concurrente inicia su propio motor nativo Tesseract que contiene búferes de imagen, modelos de reconocimiento y estado intermedio en memoria no gestionada.
La memoria máxima para una llamada Read tiene por tanto dos partes, y solo una de ellas está bajo tu control:
- Un costo fijo para el documento en sí, que crece con el número de páginas independientemente de cómo se programen.
- Un costo marginal por cada página leída concurrentemente, un motor nativo cada una.
MaxDegreeOfParallelism solo actúa en el segundo término. Esa distinción importa: en un documento largo, el costo fijo puede ser la mayor parte, por lo que limitar el paralelismo reduce significativamente la memoria máxima sin llegar nunca a cero.
En entornos contenedorizados - Docker con límites fijos --memory, pods de Kubernetes con cuotas de recursos - el término marginal es lo que convierte un trabajo operativo en un final OOM, porque se escala con el conteo de procesadores lógicos del host en lugar de con cualquier cosa que hayas configurado. En servidores metálicos causa intercambio y degrada el rendimiento. Limitamos el paralelismo para mantener el conjunto de trabajo máximo dentro de un presupuesto conocido.
¿Cuánta memoria usa cada página concurrente?
Medido contra la carga de trabajo de referencia a continuación, esos dos términos resultan ser:
máximo ≈ costo fijo del documento + (costo por motor × concurrencia)
Toma las cifras medidas como un punto de partida y mide tu propia carga de trabajo para refinarlas - ambos términos se mueven con DPI, complejidad de la página, longitud del documento y paquete de idioma.
¿Cómo se midió esto?
- Cada configuración se ejecutó en su propio proceso con el paquete de idioma EnglishFast, después de un calentamiento de una sola página, cinco veces.
- La memoria es la mediana de esas ejecuciones; el rendimiento es el más rápido.
Los procesos separados importan porque la memoria máxima es un punto alto que nunca se reinicia - una segunda configuración medida en el mismo proceso volvería a informar del pico del primero. El rendimiento utiliza la ejecución más rápida en lugar de la mediana porque otro trabajo en la máquina solo puede ralentizar una lectura, nunca acelerar.
El corpus es "Experiences in Biodiversity Research: A Field Course" por Thea B. Gessler, Universidad Estatal de Iowa - un PDF de 49 páginas densas en texto, descargable para que se puedan reproducir los resultados. Las mismas ejecuciones también confirmaron cada fila de la tabla de precedencia más abajo en esta página.
¿Cuáles fueron los resultados?
| MaxDegreeOfParallelism | Memoria máxima | Costo marginal por página agregada | Rendimiento |
|---|---|---|---|
Secuencial - MultiThreaded = false | 782 MB | baseline | 0.77 páginas/s |
| 2 | 859 MB | +77 MB | 1.32 páginas/s |
| 4 | 1008 MB | +75 MB | 2.09 páginas/s |
| 8 | 1279 MB | +68 MB | 2.56 páginas/s |
| 16 - el predeterminado en esta máquina | 1829 MB | +69 MB | 3.01 páginas/s |
Probado en: CPU de laptop x64 de 8 núcleos / 16 hilos · 1.9 GHz · 16 GB RAM · Windows 11 x64 · .NET 8 · IronOCR 2026.8.1 · última verificación agosto 2026
La primera fila apaga el paralelismo por completo; la última es lo que obtienes al no configurar nada. Memoria máxima es la más alta que el proceso alcanzó en cualquier momento. Costo marginal por página agregada es la memoria extra que cada página concurrente adicional costó sobre la fila anterior - se mantiene casi plana en toda la columna, y esa estabilidad es lo que hace que el modelo merezca la pena para planificarlo.
¿Dónde comienzan los rendimientos decrecientes?
La memoria crece constantemente con la concurrencia. El rendimiento no - las ganancias se nivelan mientras el costo de memoria sigue aumentando al mismo ritmo. Compara las dos últimas filas: la columna de memoria sube mucho más bruscamente entre ellas que la columna de rendimiento.
Ese es el hallazgo práctico: el valor predeterminado rara vez es el mejor intercambio para trabajos por lotes. Está ajustado para la latencia en un solo documento, no para la huella. Si estás procesando documentos en masa en un host con restricción de memoria, limitar explícitamente por debajo del conteo de procesadores lógicos generalmente te costará muy poca velocidad y te ahorrará una gran cantidad de memoria. Mide dónde se encuentra la inflexión en tus propios documentos, porque se mueve con la complejidad de la página.
¿Cómo limito cuántas páginas se leen a la vez?
Establece IronTesseract.MaxDegreeOfParallelism al número máximo de páginas que deben procesarse concurrentemente dentro de una sola llamada Read. Si no se toca, se establece por defecto en Environment.ProcessorCount.
using IronOcr;
using System;
var ocr = new IronTesseract();
// Cap concurrency at 2 pages. Each concurrent page holds its own native
// engine, so this bounds peak memory for every Read on this instance.
ocr.MaxDegreeOfParallelism = 2;
// The cap applies per Read call, however many pages the document has.
using var input = new OcrInput();
input.LoadPdf("500-page-archive.pdf");
OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text.Length);using IronOcr;
using System;
var ocr = new IronTesseract();
// Cap concurrency at 2 pages. Each concurrent page holds its own native
// engine, so this bounds peak memory for every Read on this instance.
ocr.MaxDegreeOfParallelism = 2;
// The cap applies per Read call, however many pages the document has.
using var input = new OcrInput();
input.LoadPdf("500-page-archive.pdf");
OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text.Length);Imports IronOcr
Imports System
Dim ocr = New IronTesseract()
' Cap concurrency at 2 pages. Each concurrent page holds its own native
' engine, so this bounds peak memory for every Read on this instance.
ocr.MaxDegreeOfParallelism = 2
' The cap applies per Read call, however many pages the document has.
Using input = New OcrInput()
input.LoadPdf("500-page-archive.pdf")
Dim result As OcrResult = ocr.Read(input)
Console.WriteLine(result.Text.Length)
End UsingImports IronOcr
Imports System
Dim ocr = New IronTesseract()
' Cap concurrency at 2 pages. Each concurrent page holds its own native
' engine, so this bounds peak memory for every Read on this instance.
ocr.MaxDegreeOfParallelism = 2
' The cap applies per Read call, however many pages the document has.
Using input = New OcrInput()
input.LoadPdf("500-page-archive.pdf")
Dim result As OcrResult = ocr.Read(input)
Console.WriteLine(result.Text.Length)
End Using¿Qué valor debo elegir?
Ajústalo contra el modelo de dos partes arriba en lugar de elegir un número:
costo fijo del documento + costo por motor × MaxDegreeOfParallelism ≤ presupuesto de memoria para OCR
Para completar los dos costos para tus propios documentos, lee un archivo representativo dos veces - una vez con MultiThreaded establecido en false, una vez con MaxDegreeOfParallelism = 2 - y registra el conjunto de trabajo máximo cada vez. La ejecución secuencial te da el costo fijo; la diferencia entre los dos te da el costo de un motor adicional. Las cifras de referencia para ambos están en la tabla de arriba.
Dos cosas que vale la pena notar cuando lo aplicas. El término fijo se escala con la longitud del documento, por lo que un archivo largo no se comportará como el ejemplo medido arriba. Y deja espacio para el tiempo de ejecución de .NET, el heap gestionado y cualquier otra cosa en el proceso - reservar alrededor del 40% del límite del contenedor es un buen punto de partida.
Los hosts generosos en memoria pueden dejar el valor predeterminado en su lugar. Los restringidos deben limitar explícitamente, y como muestran las cifras de rendimientos decrecientes arriba, ese límite a menudo cuesta mucho menos rendimiento de lo que sugiere su ahorro de memoria.
MaxDegreeOfParallelism limita páginas dentro de una llamada Read únicamente. Si tu propio código también ejecuta varios documentos a la vez, los dos se multiplican - cuatro documentos concurrentes contra un predeterminado de 16 son 64 motores, no 16. Limita ambas capas. Consulta Memoria máxima durante OCR en masa para el patrón del bucle externo.¿Cómo leo las páginas de forma secuencial?
Establece MultiThreaded a false. Esta es la opción de menor memoria, porque solo un motor nativo está activo en cualquier momento. El intercambio es el rendimiento: un lote tarda aproximadamente N veces más que con N trabajadores concurrentes.
using IronOcr;
var ocr = new IronTesseract();
// One page at a time. Overrides MaxDegreeOfParallelism, whatever it is set to.
ocr.MultiThreaded = false;
using var input = new OcrInput();
input.LoadPdf("scans.pdf");
OcrResult result = ocr.Read(input);using IronOcr;
var ocr = new IronTesseract();
// One page at a time. Overrides MaxDegreeOfParallelism, whatever it is set to.
ocr.MultiThreaded = false;
using var input = new OcrInput();
input.LoadPdf("scans.pdf");
OcrResult result = ocr.Read(input);Imports IronOcr
Dim ocr = New IronTesseract()
' One page at a time. Overrides MaxDegreeOfParallelism, whatever it is set to.
ocr.MultiThreaded = False
Using input = New OcrInput()
input.LoadPdf("scans.pdf")
Dim result As OcrResult = ocr.Read(input)
End UsingImports IronOcr
Dim ocr = New IronTesseract()
' One page at a time. Overrides MaxDegreeOfParallelism, whatever it is set to.
ocr.MultiThreaded = False
Using input = New OcrInput()
input.LoadPdf("scans.pdf")
Dim result As OcrResult = ocr.Read(input)
End UsingMultiThreaded no tenía efecto antes de esta versión - ahora es una configuración activa. El código que lo configuró en false esperando una operación nula leerá secuencialmente después de la actualización, sin advertencia del compilador y sin excepción. Revise los usos existentes si el rendimiento cae inesperadamente.¿Cómo interactúan las dos propiedades?
| MultiThreaded | MaxDegreeOfParallelism | Concurrencia efectiva |
|---|---|---|
true (por defecto) | No configurado | Environment.ProcessorCount |
true | Un número positivo | Ese número de páginas concurrentes |
true | 0 o negativo | Vuelve a Environment.ProcessorCount |
false | Cualquier valor | 1 - secuencial, MaxDegreeOfParallelism se ignora |
Environment.ProcessorCount informa procesadores lógicos, no núcleos físicos. En una máquina con multihilo simultáneo, el predeterminado es el doble del conteo de núcleos - una CPU de 8 núcleos tiene un predeterminado de 16 páginas concurrentes, no 8. Ajusta tu presupuesto de memoria contra el conteo lógico.¿Puedo limitar la memoria durante la detección de orientación de páginas?
La nueva sobrecarga de OcrInput.DetectPageOrientation acepta un parámetro maxDegreeOfParallelism que limita cuántas páginas se detectan en orientación concurrentemente. Los valores no positivos regresan a Environment.ProcessorCount. La sobrecarga de un solo argumento permanece sin cambios y sigue siendo compatible con el origen y el binario.
using IronOcr;
using System;
using var input = new OcrInput();
input.LoadPdf("rotated-scans.pdf");
// Analyse at most 2 pages at once. Orientation detection runs before the
// OCR read, so capping it here prevents a spike ahead of the real workload.
var results = input.DetectPageOrientation(
OrientationDetectionMode.Fast,
maxDegreeOfParallelism: 2);
// One result per page, in page order.
foreach (var result in results)
{
Console.WriteLine($"Page {result.PageNumber}: {result.RotationAngle}");
}using IronOcr;
using System;
using var input = new OcrInput();
input.LoadPdf("rotated-scans.pdf");
// Analyse at most 2 pages at once. Orientation detection runs before the
// OCR read, so capping it here prevents a spike ahead of the real workload.
var results = input.DetectPageOrientation(
OrientationDetectionMode.Fast,
maxDegreeOfParallelism: 2);
// One result per page, in page order.
foreach (var result in results)
{
Console.WriteLine($"Page {result.PageNumber}: {result.RotationAngle}");
}Imports IronOcr
Imports System
Using input = New OcrInput()
input.LoadPdf("rotated-scans.pdf")
' Analyse at most 2 pages at once. Orientation detection runs before the
' OCR read, so capping it here prevents a spike ahead of the real workload.
Dim results = input.DetectPageOrientation(OrientationDetectionMode.Fast, maxDegreeOfParallelism := 2)
' One result per page, in page order.
For Each result In results
Console.WriteLine($"Page {result.PageNumber}: {result.RotationAngle}")
Next
End UsingImports IronOcr
Imports System
Using input = New OcrInput()
input.LoadPdf("rotated-scans.pdf")
' Analyse at most 2 pages at once. Orientation detection runs before the
' OCR read, so capping it here prevents a spike ahead of the real workload.
Dim results = input.DetectPageOrientation(OrientationDetectionMode.Fast, maxDegreeOfParallelism := 2)
' One result per page, in page order.
For Each result In results
Console.WriteLine($"Page {result.PageNumber}: {result.RotationAngle}")
Next
End UsingEl modo Fast reutiliza un motor por hilo de trabajo en lugar de asignar uno por página, lo que reduce aún más la memoria máxima. Esto importa cuando la detección de orientación se ejecuta como un paso de preprocesamiento antes de la lectura principal de OCR, ya que limitar el paralelismo aquí evita un pico de memoria antes de que comience la carga real de trabajo.
¿OCR en paralelo aún se bloquea en grandes lotes?
Las versiones anteriores podían lanzar un fatal AccessViolationException durante OCR en paralelo o de gran volumen debido a un acceso cruzado inseguro al estado nativo de Tesseract. Esa excepción es irrecuperable - termina el proceso sin oportunidad de captura. Ahora está resuelto. Las soluciones alternativas anteriores, una instancia IronTesseract por hilo y un documento a la vez, ya no son necesarias: el motor aísla el estado nativo por trabajador correctamente, y MaxDegreeOfParallelism proporciona un límite oficial que reemplaza esos patrones ad hoc.
¿Cuándo debería ajustar estos parámetros?
- Contenedor o corredor CI con un límite de memoria - configura
MaxDegreeOfParallelismpara mantener la memoria máxima dentro del límite. - Procesamiento por lotes de miles de páginas - reduce
MaxDegreeOfParallelismpara evitar terminaciones OOM. El rendimiento disminuye proporcionalmente, pero el trabajo se completa en lugar de bloquearse. - La menor memoria posible - configura
MultiThreadedafalsepara el modo secuencial. Un motor, una página a la vez. - Máximo rendimiento - deja ambos en sus valores predeterminados para que el motor use todos los núcleos disponibles. Consulta el ejemplo de multihilo para velocidad.
- Ajuste de precisión frente a velocidad - ese es un eje diferente. La guía para ajustar Tesseract para velocidad cubre los intercambios de precisión y velocidad, mientras que esta página cubre los intercambios de memoria y rendimiento.
Para preocupaciones de asincronía y capacidad de respuesta, como mantener una interfaz de usuario receptiva durante OCR, consulte el cómo hacer OCR asíncrono, que posee ReadAsync y OcrReadTask. Esta página cubre el límite de recursos: mantener el consumo de memoria predecible independientemente del tamaño del lote.
Explora la guía de configuración de IronTesseract para conocer toda la superficie de propiedades, cargar entradas PDF y cargar entradas de imagen para los patrones de uso OcrInput, y detección de orientación de páginas para el método DetectPageOrientation y su nueva sobrecarga en paralelo.
Explora opciones de licencia de IronOCR para pasar de la prueba a la producción.
Curtis Chau tiene una licenciatura en Ciencias de la Computación (Carleton University) y se especializa en el desarrollo front-end con experiencia en Node.js, TypeScript, JavaScript y React. Apasionado por crear interfaces de usuario intuitivas y estéticamente agradables, disfruta trabajando con frameworks modernos y creando manuales bien estructurados y visualmente atractivos.