Comment contrôler l'utilisation de la mémoire lors de l'OCR parallèle en C#

Curtis Chau
Curtis Chau
Mis à jour : 26 août 2026

Chaque page traitée en parallèle par IronOCR alloue sa propre instance native du moteur Tesseract. Pour les gros lots - des centaines de pages d'un PDF scanné ou d'un dossier d'images - la consommation de mémoire s'accroît linéairement avec le nombre de pages simultanées. La propriété IronTesseract.MaxDegreeOfParallelism limite combien de pages sont traitées par OCR en même temps dans un seul appel Read, et IronTesseract.MultiThreaded passe à un traitement entièrement séquentiel lorsqu'il est configuré sur false.

Démarrage rapide : Limiter l'OCR parallèle avec MaxDegreeOfParallelism

Définissez une seule propriété pour limiter combien de pages IronOCR lit à la fois, en maintenant la mémoire à son pic dans un budget connu.

  1. 1Installez IronOCR avec NuGet Package Manager

    PM > Install-Package IronOcr

  2. 2Copiez et exécutez cet extrait de code.

    var ocr = new IronOcr.IronTesseract { MaxDegreeOfParallelism = 4 };
  3. 3Déployez pour tester sur votre environnement de production.

    Commencez à utiliser IronOCR dans votre projet dès aujourd'hui avec un essai gratuit
    arrow pointer

NuGetInstaller avec NuGet

PM > Install-Package IronOcr

Installez IronOCR en exécutant la commande ci-dessus dans la console du gestionnaire de packages NuGet, ou recherchez le package dans le gestionnaire de packages NuGet.

Pourquoi la mémoire OCR augmente-t-elle pendant les gros lots ?

Lorsque MultiThreaded est true, ce qui est le réglage par défaut, IronOCR traite les pages en parallèle. Chaque page concurrente utilise son propre moteur Tesseract natif contenant des tampons d'image, des modèles de reconnaissance et un état intermédiaire en mémoire non gérée.

La mémoire de pointe pour un appel Read a donc deux composantes, dont une seule est sous votre contrôle :

  • Un coût fixe pour le document lui-même, qui croît avec le nombre de pages indépendamment de la façon dont elles sont programmées.
  • Un coût marginal pour chaque page lue simultanément, un moteur natif chacun.

MaxDegreeOfParallelism agit uniquement sur le second terme. Cette distinction est importante : sur un long document, le coût fixe peut être la plus grande part, de sorte que limiter le parallélisme réduit la mémoire de pointe de manière substantielle sans jamais la réduire à zéro.

Dans des environnements conteneurisés - Docker avec des limites --memory fixes, pods Kubernetes avec des quotas de ressources - le terme marginal est ce qui transforme un travail fonctionnel en une élimination par manque de mémoire (OOM), car il évolue avec le nombre de processeurs logiques de l'hôte plutôt qu'avec ce que vous avez configuré. Sur des serveurs bare-metal, cela provoque un swapping et dégrade le débit. Nous limitons le parallélisme pour maintenir le pic de jeu de travail dans un budget connu.

Combien de mémoire chaque page concurrente utilise-t-elle ?

Mesurés par rapport à la charge de travail de référence ci-dessous, ces deux termes se présentent comme suit :

pic ≈ coût fixé du document + (coût par moteur × concurrence)

Prenez les chiffres mesurés comme point de départ et mesurez votre propre charge de travail pour les affiner - les deux termes varient avec le DPI, la complexité des pages, la longueur du document et le pack de langue.

Comment cela a-t-il été mesuré ?

  • Chaque configuration s'exécutait dans son propre processus avec le pack de langue EnglishFast, après un échauffement avec une seule page, cinq fois de suite.
  • La mémoire est la médiane de ces exécutions ; le débit est le plus rapide.

Les processus séparés comptent parce que la mémoire de pointe est une marque de haut niveau qui ne se réinitialise jamais - une deuxième configuration mesurée dans le même processus ré-rapporterait le pic de la première. Le débit utilise l'exécution la plus rapide plutôt que la médiane car les autres travaux sur la machine peuvent seulement ralentir une lecture, jamais l'accélérer.

Le corpus est "Expériences en recherche sur la biodiversité : un cours sur le terrain" par Thea B. Gessler, Universidade Estadual de Iowa - un PDF de 49 pages dense en texte, téléchargeable pour que les résultats puissent être reproduits. Les mêmes exécutions ont également confirmé chaque ligne du tableau de précédence plus bas sur cette page.

Quels ont été les résultats ?

MaxDegreeOfParallelismMémoire de pointeCoût marginal par page ajoutéeDébit
Séquentiel - MultiThreaded = false782 Mobaseline0,77 pages/s
2859 Mo+77 Mo1,32 pages/s
41008 Mo+75 Mo2,09 pages/s
81279 Mo+68 Mo2,56 pages/s
16 - la valeur par défaut sur cette machine1829 Mo+69 Mo3,01 pages/s

Testé sur : CPU x64 d'ordinateur portable 8 cœurs / 16 threads · 1,9 GHz · 16 Go de RAM · Windows 11 x64 · .NET 8 · IronOCR 2026.8.1 · dernière vérification en août 2026

La première ligne désactive complètement le parallélisme ; la dernière est ce que vous obtenez en ne réglant rien. La mémoire de pointe est le plus haut que le processus ait atteint à un moment donné. Le coût marginal par page ajoutée est la mémoire supplémentaire que chaque page concurrente supplémentaire coûte par rapport à la ligne ci-dessus - elle reste proche et stable tout au long de la colonne, et cette stabilité est ce qui rend le modèle intéressant pour la planification.

Veuillez noter: La variation d'exécution à exécution était inférieure à 2 % sur chaque configuration. Le jeu de travail de pointe est enregistré par processus, donc la colonne mémoire n'est pas affectée par les autres logiciels exécutés à ce moment ; le débit ne l'est pas, donc traitez-le comme spécifique à ce matériel.

Où commencent les rendements décroissants ?

La mémoire augmente régulièrement avec la concurrence. Le débit non - les gains s'aplatissent tandis que le coût de la mémoire continue de grimper au même rythme. Comparez les deux dernières lignes : la colonne mémoire grimpe beaucoup plus fortement entre elles que la colonne de débit.

C'est le constat pratique : la valeur par défaut est rarement le meilleur compromis pour le travail en lot. Elle est réglée pour la latence sur un seul document, pas pour l'empreinte. Si vous traitez des documents en gros sur un hôte aux ressources limitées, une limite explicite légèrement en dessous du nombre de processeurs logiques vous coûtera généralement peu de vitesse et économisera énormément de mémoire. Mesurez où le point de flexion se situe sur vos propres documents, car il varie avec la complexité des pages.

Comment puis-je limiter le nombre de pages lues à la fois ?

Réglez IronTesseract.MaxDegreeOfParallelism au nombre maximal de pages à traiter simultanément dans un appel Read. Laissé tel quel, il se règle par défaut sur 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);

Quelle valeur devrais-je choisir ?

Évaluez cela par rapport au modèle à deux parties ci-dessus plutôt qu'en choisissant un nombre :

coût fixe du document + coût par moteur × MaxDegreeOfParallelism ≤ budget mémoire pour l'OCR

Pour remplir les deux coûts pour vos propres documents, lisez un fichier représentatif deux fois - une fois avec MultiThreaded réglé sur false, une fois avec MaxDegreeOfParallelism = 2 - et enregistrez le jeu de travail de pointe chaque fois. L'exécution séquentielle vous donne le coût fixe ; la différence entre les deux vous donne le coût d'un moteur supplémentaire. Les chiffres de référence pour les deux se trouvent dans le tableau ci-dessus.

Deux choses à noter lorsque vous l'appliquez. Le terme fixe s'échelonne avec la longueur du document, de sorte qu'une archive longue ne se comportera pas comme l'exemple mesuré ci-dessus. Et laissez une marge pour le runtime .NET, le tas managé, et tout autre chose dans le processus - réserver environ 40 % de la limite du conteneur est un bon point de départ.

Les hôtes avec beaucoup de mémoire peuvent laisser le paramètre par défaut en place. Les hôtes contraints devraient limiter explicitement, et comme l'indiquent les chiffres de rendements décroissants ci-dessus, cette limite coûte souvent bien moins en débit que ses économies de mémoire ne le suggèrent.

Avertissement: MaxDegreeOfParallelism limite les pages à l'intérieur d'un seul appel Read uniquement. Si votre propre code exécute également plusieurs documents à la fois, les deux se multiplient : quatre documents simultanés contre une valeur par défaut de 16 représentent 64 moteurs, pas 16. Limitez les deux couches. Voir Consommation de mémoire élevée lors de l'OCR en masse pour le modèle de boucle externe.

Comment lire les pages séquentiellement ?

Réglez MultiThreaded sur false. Ceci est l'option de mémoire la plus basse, car un seul moteur natif est jamais actif. Le compromis est le débit : un lot prend environ N fois plus longtemps qu'avec N travailleurs simultanés.

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);
Avertissement: MultiThreaded n'avait aucun effet avant cette version - c'est maintenant un paramètre actif. Le code qui le réglait sur false en s'attendant à une opération innocente lira séquentiellement après la mise à niveau, sans avertissement de compilateur ni exception. Passez en revue les usages existants si le débit diminue de manière inattendue.

Comment les deux propriétés interagissent-elles ?

MultiThreadedMaxDegreeOfParallelismConcurrence effective
true (par défaut)Non configuréEnvironment.ProcessorCount
trueUn nombre positifCe nombre de pages simultanées
true0 ou négatifReplie sur Environment.ProcessorCount
falseToute valeur1 - séquentiel, MaxDegreeOfParallelism est ignoré
Conseils: Environment.ProcessorCount signale les processeurs logiques, pas les cœurs physiques. Sur une machine avec multithreading simultané, la valeur par défaut est le double du nombre de cœurs - un processeur 8 cœurs par défaut correspond à 16 pages simultanées, pas 8. Évaluez votre budget mémoire en fonction du nombre logique.

Puis-je limiter la mémoire pendant la détection d'orientation des pages ?

La nouvelle surcharge de OcrInput.DetectPageOrientation accepte un paramètre maxDegreeOfParallelism qui limite combien de pages sont orientées-détectées simultanément. Les valeurs non-positives se replient sur Environment.ProcessorCount. La surcharge à un seul argument est inchangée et reste source et binaire compatible.

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}");
}

Le mode Fast réutilise un moteur par fil de travail au lieu d'en allouer un par page, ce qui réduit encore davantage la mémoire de pointe. Cela compte lorsque la détection de l'orientation fonctionne comme une étape de prétraitement avant la lecture OCR principale, car limiter le parallélisme ici empêche un pic de mémoire avant que la vraie charge de travail ne commence.

Est-ce que l'OCR parallèle plante encore sur de gros lots ?

Les versions précédentes pouvaient lancer une AccessViolationException fatale pendant des OCR parallèles ou de haut volume en raison d'un accès non sécurisé entre threads à l'état natif de Tesseract. Cette exception est irrécupérable - elle termine le processus sans possibilité d'interception. Elle est maintenant résolue. Les solutions précédentes, un par instance IronTesseract par fil et un document à la fois, ne sont plus nécessaires : le moteur isole correctement l'état natif par travailleur, et MaxDegreeOfParallelism fournit un cap officiel qui remplace ces modèles ad hoc.

Quand devrais-je ajuster ces paramètres ?

  • Conteneur ou exécuteur CI avec une limite de mémoire - réglez MaxDegreeOfParallelism pour maintenir la mémoire de pointe dans la limite.
  • Traitement par lots de milliers de pages - abaissez MaxDegreeOfParallelism pour éviter les éliminations par manque de mémoire (OOM). Le débit diminue proportionnellement, mais le travail se termine au lieu de planter.
  • La mémoire la plus basse possible - réglez MultiThreaded sur false pour le mode séquentiel. Un moteur, une page à la fois.
  • Débit maximal - laissez les deux à leurs valeurs par défaut pour que le moteur utilise tous les cœurs disponibles. Voir l'exemple de multithreading pour la vitesse.
  • Précision contre réglage de la vitesse - c'est un axe différent. Le guide d'ajustement de Tesseract pour la vitesse couvre les compromis de précision et de vitesse, tandis que cette page couvre les compromis de mémoire et de débit.

Pour les préoccupations de réactivité et d'asynchronisme, telles que maintenir une interface utilisateur réactive pendant l'OCR, consultez le guide de l'OCR asynchrone, qui possède ReadAsync et OcrReadTask. Cette page couvre la limitation des ressources : maintenir la consommation de mémoire prévisible indépendamment de la taille du lot.

Explorez le guide de configuration d'IronTesseract pour l'ensemble complet des propriétés, charger des entrées PDF et charger des entrées d'images pour les modèles d'utilisation OcrInput, et détection de l'orientation des pages pour la méthode DetectPageOrientation et sa nouvelle surcharge de parallélisme.

Explorez les options de licence IronOCR pour passer de l'essai à la production.

Curtis Chau détient un baccalauréat en informatique (Université de Carleton) et se spécialise dans le développement front-end avec expertise en Node.js, TypeScript, JavaScript et React. Passionné par la création d'interfaces utilisateur intuitives et esthétiquement plaisantes, Curtis aime travailler avec des frameworks modernes et créer des manuels bien structurés et visuellement attrayants.

Lire la suite

Prêt à commencer ?

Téléchargements NuGet 6,394,824Version :2026.11tout juste publié