C#で並列OCRメモリ使用量を制御する方法
IronOCRによって並列に処理される各ページは、それぞれ独自のネイティブTesseractエンジンインスタンスを割り当てます。 大規模バッチ - スキャンされたPDFまたは画像フォルダーからの数百ページでは、メモリ消費は同時ページ数に比例して線形に増加します。 IronTesseract.MaxDegreeOfParallelism プロパティは1回の Read 呼び出し内で同時にOCRされるページ数に制限があり、IronTesseract.MultiThreaded が false に設定されると完全に順次処理に切り替わります。
IronOCRが一度に読み取るページ数を制限するために単一のプロパティを設定し、既知の予算内でピークメモリを維持します。
-
1IronOCR を NuGet Package Manager でインストールします
-
2このコード スニペットをコピーして実行します。
var ocr = new IronOcr.IronTesseract { MaxDegreeOfParallelism = 4 };Dim ocr = New IronOcr.IronTesseract With { .MaxDegreeOfParallelism = 4 }Dim ocr = New IronOcr.IronTesseract With { .MaxDegreeOfParallelism = 4 } -
3実際の環境でテストするためにデプロイする
今日からご自身のプロジェクトでIronOCRを使い始めるには、無料トライアルをお試しください。
最小限のワークフロー(5ステップ)
- NuGetからIronOCRをインストールしてOCRの並列性を制御します
IronTesseractインスタンスを作成しますMaxDegreeOfParallelismを希望のキャップに設定しますOcrInputにページを読み込みますReadを呼び出します - キャップされたページ数のみが並行して処理されます
なぜ大規模バッチ時にOCRメモリが増加するのか?
MultiThreaded がデフォルトの true の場合、IronOCRはページを並行処理します。 各同時ページは、イメージバッファ、認識モデル、および管理されていないメモリ内の中間状態を保持する独自のネイティブTesseractエンジンを開始します。
従って、Read呼び出しのピークメモリには2つの部分があり、そのうち1つだけが制御可能です:
- ドキュメント自体の固定コスト: スケジュールされる方法に関係なく、ページ数に応じて増加します。
- 同時に読み取られる各ページの限界コスト: 各ネイティブエンジンに1つ。
MaxDegreeOfParallelismは2番目の用語のみに作用します。 その区別が重要です:長文の場合、固定コストが大きな割合を占めるので、並列性を制限することでピークメモリを大幅に削減できますが、ゼロにはなりません。
コンテナ化された環境 - Dockerのような固定された--memory制限、Kubernetesポッドのリソースクォータ - では、限界用語は、構成したものではなくホストの論理プロセッサ数に比例して拡大するため、実行中のジョブをOOM(メモリ不足)で停止させる原因となります。 ベアメタルサーバーではスワッピングを引き起こし、スループットを低下させます。 ピーク動作セットを既知の予算内に留めるため、並列性を制限します。
各同時ページが使用するメモリ量は?
以下の参照負荷に対して計測された場合、その2つの用語は次のようになります:
ピーク ≈ ドキュメントの固定コスト + (エンジンごとのコスト × 並行性)
計測された数値を出発点として、自分の負荷を計測してそれらを洗練してください。両方の用語はDPI、ページの複雑さ、ドキュメントの長さ、および言語パックによって移動します。
これはどのように測定されましたか?
- 各構成は、EnglishFast言語パックを使い、単ページウォームアップ後に5回試行されました。
- メモリはその実行の中央値です; スループットは最速です。
別のプロセスで実行することが重要です、なぜならピークメモリはリセットされない最高水位標であり、同じプロセスで測定された2番目の構成は最初のもののピークを再報告するだろうからです。 スループットは中央値ではなく最速の試行を使用します、なぜなら他の作業がマシン上でリード速度を遅くすることはあっても速くすることは決してできないからです。
コーパスは、Thea B.による『生物多様性研究におけるフィールドコースの経験』です。 Gessler、アイオワ州立大学 - テキストが濃密な49ページのPDFで、結果を再現可能としてダウンロード可能です。 同じ試行実行はこのページのさらに下にある優先表のすべての行を確認しました。
結果はどうだったか?
| MaxDegreeOfParallelism | ピークメモリー | 追加されたページごとの限界コスト | スループット |
|---|---|---|---|
逐次 - MultiThreaded = false | 782 MB | baseline | 0.77 ページ/秒 |
| 2 | 859 MB | +77 MB | 1.32 ページ/秒 |
| 4 | 1008 MB | +75 MB | 2.09 ページ/秒 |
| 8 | 1279 MB | +68 MB | 2.56 ページ/秒 |
| 16 - このマシンでのデフォルト | 1829 MB | +69 MB | 3.01 ページ/秒 |
テスト済み: 8コア/16スレッドx64ラップトップCPU · 1.9 GHz · 16 GB RAM · Windows 11 x64 · .NET 8 · IronOCR 2026.8.1 · 2026年8月に最終確認
最初の行は並列性を完全にオフにします; 最後の行は、何も設定しない場合に得られるものです。 ピークメモリは、プロセスが任意の瞬間に到達した最高のレベルです。 追加されたページごとの限界コストは、追加された同時ページが上の行を超えた際に必要とされた余分なメモリです - それはこの列全体でほぼ一定で、その安定性がモデルを計画に価値あるものにしています。
収益逓減の始まる場所は?
メモリは並行性とともに着実に増加します。 スループットはそうではありません - 増加は平坦化され、メモリコストは同じ速度で引き続き増加します。 最後の2行を比較してください:メモリ列は、スループット列よりもはるかにきつく上昇しています。
それが実践的な発見です:デフォルト設定はバッチ処理にはめったに最適なトレードではありません。 単一のドキュメントのレイテンシーに調整されており、フットプリントにはなっていません。 メモリ制約されたホストでドキュメントを一括処理している場合、論理プロセッサ数よりも低いところに明示的なキャップを置くことは、非常に少ない速度コストで、大量のメモリを節約することが普通です。 ドキュメントの複雑さによって変化するので、膝がどこにあるのかを計測してください。
一度に読み取るページ数をどのように制限するか?
1回の Read 呼び出し内で同時に処理すべきページの最大数を IronTesseract.MaxDegreeOfParallelism に設定します。 設定なしの場合、デフォルトはEnvironment.ProcessorCountです。
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どの値を選ぶべきか?
上記の2つのモデルに対してサイズを決定する:
ドキュメントの固定コスト + エンジンごとのコスト × MaxDegreeOfParallelism ≤ OCRのためのメモリ予算
独自のドキュメントの2つのコストを埋めるには、代表的なファイルを2回読み込みます - 1回は MultiThreaded を false に設定し、もう1回は MaxDegreeOfParallelism = 2 とし、毎回の最大作業セットを記録します。順次実行は固定コストを、2つの差異は追加エンジン1つのコストを示します。両方の参照値は上記の表にあります。
適用時に注目すべき2つのこと。 固定項目はドキュメントの長さに応じてスケーリングするので、長期間のアーカイブは上記のサンプルのようには振る舞わないでしょう。 そして、.NETランタイム、管理ヒープ、プロセス内のその他のものへの余白を残してください - コンテナ制限の約40%を予約するのは合理的な出発点です。
メモリに余裕のあるホストはデフォルトのままにしておけます。 制約のあるものは明示的に制限すべきであり、上記のような収益逓減の数値は、しばしばそのキャップが示すほどのスループットコストを伴わないことを示しています。
MaxDegreeOfParallelism は1回のRead 呼び出し内でのみページをバインドします。 あなた自身のコードが同時に複数のドキュメントを実行する場合、それらは乗算されます - デフォルトが16の場合、4つの同時実行ドキュメントは16ではなく64エンジンです。両方のレイヤーを制限してください。 外側ループパターンのためのバルクOCR中の高いピークメモリを参照してください。ページを逐次的に読むにはどうしたらよいか?
MultiThreaded を false に設定します。 これは最低メモリオプションです、なぜなら一つのネイティブエンジンのみがアクティブだからです。トレードオフはスループットです:バッチはN個の同時処理作業者と比べて大約N倍の時間を要します。
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 はこのリリース前には効果がありませんでしたが、現在はライブ設定です。 falseに設定されていると期待してアップグレード後には警告なしで逐次的に読み込みを行い、例外が発生しません。 既存の利用を再確認してください、予期しないスループットの低下がある場合。2つのプロパティはどのように相互作用しますか?
| MultiThreaded | MaxDegreeOfParallelism | 有効な並行性 |
|---|---|---|
true(デフォルト) | 設定なし | Environment.ProcessorCount |
true | 正の数 | その数の同時実行のページ |
true | 0または負の数 | Environment.ProcessorCountにフォールバック |
false | 任意の値 | 1 - 逐次的, MaxDegreeOfParallelismは無視される |
Environment.ProcessorCount は論理プロセッサを報告し、物理コアではありません。 同時マルチスレッディングを有する機械ではデフォルトはコア数の2倍です - 8コアCPUは8ではなく16並行ページをデフォルトとします。メモリ予算を論理数に対して設定してください。ページの向き検出中にメモリを制限できますか?
新しい OcrInput.DetectPageOrientation のオーバーロードは、同時に方向検出されるページ数を制限する maxDegreeOfParallelism パラメータを受け入れます。 ゼロまたは負の値はEnvironment.ProcessorCountに戻ります。 単一引数のオーバーロードは変更されておらず、ソースおよびバイナリ互換性を保ちます。
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 UsingFastモードは、ページ毎に割り当てるのではなく、作業スレッド毎に1つのエンジンを再利用し、ピークメモリをさらに削減します。 これは主要なOCR読み込みの前処理ステップとして向き検出が行われるときに重要です。ここでの並列性を制限することで、本当の負荷が始まる前のメモリスパイクを防ぎます。
並列OCRはまだ大規模バッチでクラッシュしますか?
以前のバージョンではネイティブTesseract状態への安全でないクロススレッドアクセスのために、並列または大量OCR中に致命的なAccessViolationExceptionを投げることがありました。 その例外は回復不能であり、キャッチ機会なしにプロセスを終了させます。 それは現在解決されています。 以前の回避策、スレッドごとに1つの IronTesseract インスタンスと1度に1つのドキュメントはもはや必要ありません:エンジンはワーカーごとにネイティブ状態を正しく分離し、MaxDegreeOfParallelism はこれらのアドホックなパターンを置き換える公式の制限値を提供します。
これらの設定をいつチューンするべきですか?
- メモリ制限付きのコンテナまたはCIランナー -
MaxDegreeOfParallelismを設定し、ピークメモリをリミット内に保ちます。 - 数千ページのバッチ処理 - OOMキルを防ぐために
MaxDegreeOfParallelismを下げます。 スループットは比例して減少しますが、ジョブはクラッシュすることなく完了します。 - 可能な限り低いメモリ - 順次モード用に
MultiThreadedをfalseに設定します。 一つのエンジン、一つずつページ。 - 最大スループット - 両方をデフォルトのままにし、エンジンが利用可能なすべてのコアを使用するようにします。 スピード用のマルチスレッドの例をご覧ください。
- 正確性とスピードのチューン - それは異なる軸です。 Tesseractのスピードチューンガイドでは、精度とスピードのトレードオフをカバーし、このページではメモリとスループットのトレードオフをカバーします。
非同期と応答性の懸念、例えばOCR中のUIの応答性を維持するためには、ReadAsync と OcrReadTask を所有する非同期OCRのハウツーを参照してください。 このページはリソース制限をカバーしています:バッチサイズに関係なくメモリ消費を予測可能に保ちます。
完全なプロパティの概要については、IronTesseract設定ガイドを参照し、OcrInput の使用パターンに対するPDF入力の読み込みと画像入力の読み込み、およびDetectPageOrientation メソッドとその新しい並列性オーバーロードに対するページの向き検出を行ってください。
IronOCRライセンスオプションを検討し、トライアルから本番に移行しましょう。
Curtis Chauは、カールトン大学でコンピュータサイエンスの学士号を取得し、Node.js、TypeScript、JavaScript、およびReactに精通したフロントエンド開発を専門としています。直感的で美しいユーザーインターフェースを作成することに情熱を持ち、Curtisは現代のフレームワークを用いた開発や、構造の良い視覚的に魅力的なマニュアルの作成を楽しんでいます。