Paddle OCR vs Tesseract: Szczegółowe porównanie OCR

Trzymodeliowy potok w praktyce

Każde wywołanie wnioskowania PaddleOCR uruchamia trzy sieci neuronowe jedna po drugiej. Poniższy kod przedstawia pełną ścieżkę konfiguracji, z którą programista ma do czynienia przed zwróceniem jakiegokolwiek tekstu:

// Five packages required before this compiles:
// dotnet add package Sdcb.PaddleOCR
// dotnet add package Sdcb.PaddleOCR.Models.Online
// dotnet add package Sdcb.PaddleInference.runtime.win64.mkl
// dotnet add package OpenCvSharp4
// dotnet add package OpenCvSharp4.runtime.win

using Sdcb.PaddleOCR;
using Sdcb.PaddleOCR.Models.Online;
using OpenCvSharp;

// Async download from Baidu servers — blocks first run for 10-30 seconds
FullOcrModel models = await OnlineFullModels.ChineseV4.DownloadAsync();

// PaddleOcrAll bundles detection, classification, and recognition
using PaddleOcrAll ocr = new PaddleOcrAll(models)
{
    AllowRotateDetection = true,
    Enable180Classification = true
};

// OpenCV required — no file path shortcut
using Mat mat = Cv2.ImRead("document.png");

if (mat.Empty())
{
    throw new FileNotFoundException("Could not load image");
}

// Three neural networks fire in sequence
PaddleOcrResult result = ocr.Run(mat);

Console.WriteLine(result.Text);

// Five packages required before this compiles:
// dotnet add package Sdcb.PaddleOCR
// dotnet add package Sdcb.PaddleOCR.Models.Online
// dotnet add package Sdcb.PaddleInference.runtime.win64.mkl
// dotnet add package OpenCvSharp4
// dotnet add package OpenCvSharp4.runtime.win

using Sdcb.PaddleOCR;
using Sdcb.PaddleOCR.Models.Online;
using OpenCvSharp;

// Async download from Baidu servers — blocks first run for 10-30 seconds
FullOcrModel models = await OnlineFullModels.ChineseV4.DownloadAsync();

// PaddleOcrAll bundles detection, classification, and recognition
using PaddleOcrAll ocr = new PaddleOcrAll(models)
{
    AllowRotateDetection = true,
    Enable180Classification = true
};

// OpenCV required — no file path shortcut
using Mat mat = Cv2.ImRead("document.png");

if (mat.Empty())
{
    throw new FileNotFoundException("Could not load image");
}

// Three neural networks fire in sequence
PaddleOcrResult result = ocr.Run(mat);

Console.WriteLine(result.Text);

Imports Sdcb.PaddleOCR
Imports Sdcb.PaddleOCR.Models.Online
Imports OpenCvSharp

' Five packages required before this compiles:
' dotnet add package Sdcb.PaddleOCR
' dotnet add package Sdcb.PaddleOCR.Models.Online
' dotnet add package Sdcb.PaddleInference.runtime.win64.mkl
' dotnet add package OpenCvSharp4
' dotnet add package OpenCvSharp4.runtime.win

' Async download from Baidu servers — blocks first run for 10-30 seconds
Dim models As FullOcrModel = Await OnlineFullModels.ChineseV4.DownloadAsync()

' PaddleOcrAll bundles detection, classification, and recognition
Using ocr As New PaddleOcrAll(models) With {
    .AllowRotateDetection = True,
    .Enable180Classification = True
}

    ' OpenCV required — no file path shortcut
    Using mat As Mat = Cv2.ImRead("document.png")

        If mat.Empty() Then
            Throw New FileNotFoundException("Could not load image")
        End If

        ' Three neural networks fire in sequence
        Dim result As PaddleOcrResult = ocr.Run(mat)

        Console.WriteLine(result.Text)
    End Using
End Using

Tablica result.Regions zawiera indywidualne obiekty regionu tekstowego, każdy z nich zawiera ciąg znaków Text, wartość zaufania Score i ramkę ograniczającą Rect. Aby filtrować według zaufania: result.Regions.Where(r => r.Score > 0.8). Sortowanie regionów jest przestrzenne, nie gwarantuje kolejności czytania, dlatego sortowanie według region.Rect.Center.Y następnie region.Rect.Center.X jest standardowym wzorem.

Szczegółowe porównanie funkcji

Podejście PaddleOCR

Chiński model działa dobrze, ponieważ sieci wykrywania i rozpoznawania zostały przeszkolone na dużych zbiorach chińskich dokumentów przez firmę Baidu, której podstawowa działalność polega na przetwarzaniu chińskich treści internetowych na dużą skalę.

// Chinese model: highest accuracy for CJK documents
FullOcrModel models = await OnlineFullModels.ChineseV4.DownloadAsync();

using PaddleOcrAll ocr = new PaddleOcrAll(models)
{
    AllowRotateDetection = true,
    Enable180Classification = true
};

using Mat mat = Cv2.ImRead("chinese-invoice.png");
PaddleOcrResult result = ocr.Run(mat);

// Filter low-confidence regions for cleaner output
var highConfidence = result.Regions
    .Where(r => r.Score >= 0.8)
    .OrderBy(r => r.Rect.Center.Y)
    .ThenBy(r => r.Rect.Center.X);

foreach (var region in highConfidence)
{
    Console.WriteLine($"{region.Text} ({region.Score:P0})");
}

// Chinese model: highest accuracy for CJK documents
FullOcrModel models = await OnlineFullModels.ChineseV4.DownloadAsync();

using PaddleOcrAll ocr = new PaddleOcrAll(models)
{
    AllowRotateDetection = true,
    Enable180Classification = true
};

using Mat mat = Cv2.ImRead("chinese-invoice.png");
PaddleOcrResult result = ocr.Run(mat);

// Filter low-confidence regions for cleaner output
var highConfidence = result.Regions
    .Where(r => r.Score >= 0.8)
    .OrderBy(r => r.Rect.Center.Y)
    .ThenBy(r => r.Rect.Center.X);

foreach (var region in highConfidence)
{
    Console.WriteLine($"{region.Text} ({region.Score:P0})");
}

Imports System
Imports System.Linq
Imports OpenCvSharp

' Chinese model: highest accuracy for CJK documents
Dim models As FullOcrModel = Await OnlineFullModels.ChineseV4.DownloadAsync()

Using ocr As New PaddleOcrAll(models) With {
    .AllowRotateDetection = True,
    .Enable180Classification = True
}

    Using mat As Mat = Cv2.ImRead("chinese-invoice.png")
        Dim result As PaddleOcrResult = ocr.Run(mat)

        ' Filter low-confidence regions for cleaner output
        Dim highConfidence = result.Regions _
            .Where(Function(r) r.Score >= 0.8) _
            .OrderBy(Function(r) r.Rect.Center.Y) _
            .ThenBy(Function(r) r.Rect.Center.X)

        For Each region In highConfidence
            Console.WriteLine($"{region.Text} ({region.Score:P0})")
        Next
    End Using
End Using

Wzorzec filtracji zaufania (r.Score >= 0.8) jest ważny, ponieważ etap wykrywania głębokiego uczenia czasami oznacza regiony nie-tekstu jako tekst. Bez filtrowania w wynikach pojawiają się obszary szumu. Sortowanie według Rect.Center.Y następnie Rect.Center.X przybliża kolejność czytania, ale nie gwarantuje jej dla złożonych układów wielokolumnowych.

Podejście IronOCR

Obsługa chińskiego uproszczonego w IronOCR instaluje się jako pakiet NuGet i nie wymaga zarządzania modelami. Dokładność w przypadku dokumentów chińskich wynosi 85–90% — jest to wynik niższy niż 95%+ osiągany przez PaddleOCR w przypadku tych samych materiałów, ale wystarczający w wielu zastosowaniach produkcyjnych, zwłaszcza gdy dokumenty mają spójne formatowanie.

// dotnet add package IronOcr.Languages.ChineseSimplified

using IronOcr;

var ocr = new IronTesseract();
ocr.Language = OcrLanguage.ChineseSimplified;

using var input = new OcrInput();
input.LoadImage("chinese-invoice.png");

// Preprocessing handles rotation, noise, and contrast automatically
input.Deskew();
input.DeNoise();

var result = ocr.Read(input);

// Word-level results with coordinates
foreach (var word in result.Words)
{
    Console.WriteLine($"{word.Text} at ({word.X},{word.Y}) — {word.Confidence}%");
}

// dotnet add package IronOcr.Languages.ChineseSimplified

using IronOcr;

var ocr = new IronTesseract();
ocr.Language = OcrLanguage.ChineseSimplified;

using var input = new OcrInput();
input.LoadImage("chinese-invoice.png");

// Preprocessing handles rotation, noise, and contrast automatically
input.Deskew();
input.DeNoise();

var result = ocr.Read(input);

// Word-level results with coordinates
foreach (var word in result.Words)
{
    Console.WriteLine($"{word.Text} at ({word.X},{word.Y}) — {word.Confidence}%");
}

Imports IronOcr

' dotnet add package IronOcr.Languages.ChineseSimplified

Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.ChineseSimplified

Using input As New OcrInput()
    input.LoadImage("chinese-invoice.png")

    ' Preprocessing handles rotation, noise, and contrast automatically
    input.Deskew()
    input.DeNoise()

    Dim result = ocr.Read(input)

    ' Word-level results with coordinates
    For Each word In result.Words
        Console.WriteLine($"{word.Text} at ({word.X},{word.Y}) — {word.Confidence}%")
    Next
End Using

Dla zespołów potrzebujących wielu języków jednocześnie — takich jak mieszane dokumenty chińsko-angielskie —IronOCR obsługuje łączenie z AddSecondaryLanguage. PaddleOCR wymaga przełączania zestawów modeli między językami, co oznacza oddzielne wywołania pobierania i oddzielne instancje silnika.

Kompromis jest konkretny: PaddleOCR wygrywa pod względem czystej dokładności w językach CJK.IronOCR wygrywa pod względem dokładności w języku angielskim/łacińskim (97–99% w porównaniu z 92–95%), przetwarzania wstępnego skanów o niskiej jakości oraz prostoty obsługi wynikającej z braku konieczności zarządzania plikami modeli. Zespoły przetwarzające dokumenty w różnych językach lub głównie dokumenty w językach europejskich, z okazjonalną zawartością w językach chińskim, japońskim i koreańskim, uznają profil dokładności IronOCR za bardziej przydatny w ujęciu ogólnym. Przykłady wielojęzyczne i dotyczące przetwarzania wstępnego można znaleźć w centrum samouczków IronOCR.

Podejście PaddleOCR

PaddleOCR dostarcza modele oddzielnie od pakietu NuGet. Do przeprowadzenia pełnego procesu OCR potrzebne są trzy katalogi modeli, a każde podejście do ich pozyskiwania wiąże się z innymi kompromisami:

// Option A: Online download — simplest, but requires Baidu server access
// This runs on application startup; first run blocks for 10-30 seconds
FullOcrModel onlineModels = await OnlineFullModels.ChineseV4.DownloadAsync();

// Option B: Pre-downloaded local models — for air-gapped or compliance environments
// Developer must manually download and maintain three directories:
//   models/ch_PP-OCRv4_det_infer/
//   models/ch_ppocr_mobile_v2.0_cls_infer/
//   models/ch_PP-OCRv4_rec_infer/
FullOcrModel localModels = new FullOcrModel(
    LocalDetectionModel.FromDirectory("models/ch_PP-OCRv4_det_infer"),
    LocalClassificationModel.FromDirectory("models/ch_ppocr_mobile_v2.0_cls_infer"),
    LocalRecognitionModel.FromDirectory("models/ch_PP-OCRv4_rec_infer")
);

// Option C: Embedded model package — adds 100MB to NuGet restore, simplest deployment
// dotnet add package Sdcb.PaddleOCR.Models.LocalV4

// Japanese and Korean require separate model downloads:
FullOcrModel japaneseModels = await OnlineFullModels.JapanV4.DownloadAsync();
FullOcrModel koreanModels = await OnlineFullModels.KoreanV4.DownloadAsync();

// Option A: Online download — simplest, but requires Baidu server access
// This runs on application startup; first run blocks for 10-30 seconds
FullOcrModel onlineModels = await OnlineFullModels.ChineseV4.DownloadAsync();

// Option B: Pre-downloaded local models — for air-gapped or compliance environments
// Developer must manually download and maintain three directories:
//   models/ch_PP-OCRv4_det_infer/
//   models/ch_ppocr_mobile_v2.0_cls_infer/
//   models/ch_PP-OCRv4_rec_infer/
FullOcrModel localModels = new FullOcrModel(
    LocalDetectionModel.FromDirectory("models/ch_PP-OCRv4_det_infer"),
    LocalClassificationModel.FromDirectory("models/ch_ppocr_mobile_v2.0_cls_infer"),
    LocalRecognitionModel.FromDirectory("models/ch_PP-OCRv4_rec_infer")
);

// Option C: Embedded model package — adds 100MB to NuGet restore, simplest deployment
// dotnet add package Sdcb.PaddleOCR.Models.LocalV4

// Japanese and Korean require separate model downloads:
FullOcrModel japaneseModels = await OnlineFullModels.JapanV4.DownloadAsync();
FullOcrModel koreanModels = await OnlineFullModels.KoreanV4.DownloadAsync();

Wersja modelu musi odpowiadać wersji opakowania. Gdy Sdcb.PaddleOCR aktualizuje się, wcześniej pobrane modele z poprzedniej wersji mogą wymagać ponownego pobrania. Pipeline'y CI/CD, które buforują etap przywracania NuGet, muszą również oddzielnie zarządzać buforowaniem plików modeli lub uruchamiać pobieranie modeli podczas fazy kompilacji kontenera. Porównanie obrazów Docker pokazuje konsekwencję: kontener PaddleOCR zajmuje około 1,5 GB; kontener IronOCR o wielkości około 400 MB.

Podejście IronOCR

Modele językowe IronOCRsą standardowymi pakietami NuGet. Bez wywołań pobierania, bez zarządzania katalogami modeli, bez synchronizacji wersji. Pakiet NuGet dla IronOCR zawiera model angielski; Dodatkowe pakiety językowe instaluje się dokładnie tak samo, jak każdą inną zależność.

// dotnet add package IronOcr
// dotnet add package IronOcr.Languages.ChineseSimplified
// dotnet add package IronOcr.Languages.Japanese

using IronOcr;

// Nie async initialization, no model path, no version matching
var ocr = new IronTesseract();
ocr.Language = OcrLanguage.ChineseSimplified;
ocr.AddSecondaryLanguage(OcrLanguage.Japanese);

using var input = new OcrInput();
input.LoadImage("mixed-cjk-document.png");

var result = ocr.Read(input);
Console.WriteLine(result.Text);

// dotnet add package IronOcr
// dotnet add package IronOcr.Languages.ChineseSimplified
// dotnet add package IronOcr.Languages.Japanese

using IronOcr;

// Nie async initialization, no model path, no version matching
var ocr = new IronTesseract();
ocr.Language = OcrLanguage.ChineseSimplified;
ocr.AddSecondaryLanguage(OcrLanguage.Japanese);

using var input = new OcrInput();
input.LoadImage("mixed-cjk-document.png");

var result = ocr.Read(input);
Console.WriteLine(result.Text);

' dotnet add package IronOcr
' dotnet add package IronOcr.Languages.ChineseSimplified
' dotnet add package IronOcr.Languages.Japanese

Imports IronOcr

' Nie async initialization, no model path, no version matching
Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.ChineseSimplified
ocr.AddSecondaryLanguage(OcrLanguage.Japanese)

Using input As New OcrInput()
    input.LoadImage("mixed-cjk-document.png")

    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Paczki językowe odtwarzają się jako część dotnet restore. Krok budowy Docker, który kopiuje katalogi models/, uruchamia apt-get install libopencv-dev i dodaje bazowy obraz CUDA po prostu nie istnieje w kontenerze IronOCR. Dla zespołów korzystających z wdrożeń Docker lub Azure różnica w złożoności tworzenia kontenerów jest znaczna.

Podejście PaddleOCR

Wnioskowanie na GPU wymaga całkowicie oddzielnego stosu oprogramowania poza NuGet. Wymagania środowiskowe są precyzyjne i powiązane z konkretnymi wersjami:

// Prerequisites (must be installed before this compiles correctly):
// 1. NVIDIA GPU with CUDA capability 3.5+
// 2. NVIDIA Driver 452.39+ (Windows) / 450.80.02+ (Linux)
// 3. CUDA Toolkit 11.8 — exact version, not 12.x
// 4. cuDNN 8.6.0+ for CUDA 11.x
// 5. dotnet add package Sdcb.PaddleInference.runtime.win64.cuda118

using Sdcb.PaddleOCR;
using Sdcb.PaddleOCR.Models.Online;
using Sdcb.PaddleInference;
using OpenCvSharp;

FullOcrModel models = await OnlineFullModels.ChineseV4.DownloadAsync();

// GPU device 0, 1000MB GPU memory pool
using PaddleOcrAll ocr = new PaddleOcrAll(models, PaddleDevice.Gpu(deviceId: 0))
{
    AllowRotateDetection = true,
    Enable180Classification = true
};

using Mat mat = Cv2.ImRead(imagePath);
PaddleOcrResult result = ocr.Run(mat);

// Prerequisites (must be installed before this compiles correctly):
// 1. NVIDIA GPU with CUDA capability 3.5+
// 2. NVIDIA Driver 452.39+ (Windows) / 450.80.02+ (Linux)
// 3. CUDA Toolkit 11.8 — exact version, not 12.x
// 4. cuDNN 8.6.0+ for CUDA 11.x
// 5. dotnet add package Sdcb.PaddleInference.runtime.win64.cuda118

using Sdcb.PaddleOCR;
using Sdcb.PaddleOCR.Models.Online;
using Sdcb.PaddleInference;
using OpenCvSharp;

FullOcrModel models = await OnlineFullModels.ChineseV4.DownloadAsync();

// GPU device 0, 1000MB GPU memory pool
using PaddleOcrAll ocr = new PaddleOcrAll(models, PaddleDevice.Gpu(deviceId: 0))
{
    AllowRotateDetection = true,
    Enable180Classification = true
};

using Mat mat = Cv2.ImRead(imagePath);
PaddleOcrResult result = ocr.Run(mat);

Imports Sdcb.PaddleOCR
Imports Sdcb.PaddleOCR.Models.Online
Imports Sdcb.PaddleInference
Imports OpenCvSharp

' Prerequisites (must be installed before this compiles correctly):
' 1. NVIDIA GPU with CUDA capability 3.5+
' 2. NVIDIA Driver 452.39+ (Windows) / 450.80.02+ (Linux)
' 3. CUDA Toolkit 11.8 — exact version, not 12.x
' 4. cuDNN 8.6.0+ for CUDA 11.x
' 5. dotnet add package Sdcb.PaddleInference.runtime.win64.cuda118

Dim models As FullOcrModel = Await OnlineFullModels.ChineseV4.DownloadAsync()

' GPU device 0, 1000MB GPU memory pool
Using ocr As New PaddleOcrAll(models, PaddleDevice.Gpu(deviceId:=0)) With {
    .AllowRotateDetection = True,
    .Enable180Classification = True
}

    Using mat As Mat = Cv2.ImRead(imagePath)
        Dim result As PaddleOcrResult = ocr.Run(mat)
    End Using

End Using

Jeśli CUDA_PATH nie jest ustawione, brakujący jest odpowiadający plik DLL cuDNN z oczekiwanej ścieżki, lub wersja pakietu uruchomieniowego nie pasuje do zainstalowanego zestawu narzędzi CUDA, wywołanie zgłasza wyjątek ładowania biblioteki natywnej. Diagnoza tej awarii wymaga sprawdzenia wersji sterowników, wpisów w ścieżce PATH oraz obecności bibliotek DLL w kilku katalogach. W Dockerze, wsparcie GPU wymaga bazowego obrazu nvidia/cuda:11.8.0-cudnn8-runtime-ubuntu22.04 plus nvidia-container-toolkit na hoście, co dodaje złożoności zarówno w budowie obrazu, jak i konfiguracji uruchomienia kontenera.

W przypadku wdrożeń wyłącznie na procesorach CPU PaddleOCR domyślnie korzysta ze środowiska uruchomieniowego przyspieszonego przez MKL: ~300–500 ms na obraz przy 3–5 sekundowym czasie ładowania modelu przy zimnym starcie.

Podejście IronOCR

IronOCR został zaprojektowany z myślą o przetwarzaniu na procesorze. Zapewnia 150–300 ms na obraz na standardowym sprzęcie bez zależności od GPU, bez stosu CUDA i bez problemów z wersją sterowników. Silnik uruchamia się również w mniej niż sekundę, ponieważ modele są dołączone do pakietu, a nie ładowane z dysku podczas inicjalizacji.

using IronOcr;

// Nie GPU setup, no CUDA, no driver checks
IronOcr.License.LicenseKey = "YOUR-LICENSE-KEY";

var ocr = new IronTesseract();

// Preprocessing built-in — improves accuracy on poor scans without extra code
using var input = new OcrInput();
input.LoadImage("document.png");
input.Deskew();
input.DeNoise();
input.EnhanceResolution(300);

var result = ocr.Read(input);
Console.WriteLine($"Confidence: {result.Confidence}%");

using IronOcr;

// Nie GPU setup, no CUDA, no driver checks
IronOcr.License.LicenseKey = "YOUR-LICENSE-KEY";

var ocr = new IronTesseract();

// Preprocessing built-in — improves accuracy on poor scans without extra code
using var input = new OcrInput();
input.LoadImage("document.png");
input.Deskew();
input.DeNoise();
input.EnhanceResolution(300);

var result = ocr.Read(input);
Console.WriteLine($"Confidence: {result.Confidence}%");

Imports IronOcr

' Nie GPU setup, no CUDA, no driver checks
IronOcr.License.LicenseKey = "YOUR-LICENSE-KEY"

Dim ocr As New IronTesseract()

' Preprocessing built-in — improves accuracy on poor scans without extra code
Using input As New OcrInput()
    input.LoadImage("document.png")
    input.Deskew()
    input.DeNoise()
    input.EnhanceResolution(300)

    Dim result = ocr.Read(input)
    Console.WriteLine($"Confidence: {result.Confidence}%")
End Using

Dla przepustowości w dużej skali bez sprzętu GPU, zaprojektowanie bezpieczne dla wątków w IronOCR pozwala na Parallel.ForEach w grupie obrazów z oddzielnymi instancjami IronTesseract — każda przetwarza niezależnie bez blokowania. Przykład wielowątkowości ilustruje ten schemat. Przy 150–300 ms na obraz na 4-rdzeniowym procesorze przetwarzanie partii 100 obrazów zajmuje 20–40 sekund dzięki równoległości — przepustowość procesora sprawia, że inwestycja w GPU jest zbędna w większości scenariuszy związanych z interfejsami API sieci Web i potokami dokumentów.

Przewodnik po korekcji jakości obrazu szczegółowo opisuje konfigurację przetwarzania wstępnego w przypadkach, gdy automatyczne przetwarzanie wstępne wymaga dostosowania.

Podejście PaddleOCR

// Requires additional package: PdfiumViewer or similar
using Sdcb.PaddleOCR;
using Sdcb.PaddleOCR.Models.Online;
using OpenCvSharp;
using PdfiumViewer;
using System.Drawing.Imaging;
using System.Text;

FullOcrModel models = await OnlineFullModels.ChineseV4.DownloadAsync();
using PaddleOcrAll ocr = new PaddleOcrAll(models);

var results = new StringBuilder();

// Podręcznik PDF-to-image conversion, page by page
using PdfDocument pdf = PdfDocument.Load("document.pdf");

for (int i = 0; i < pdf.PageCount; i++)
{
    // Render page to bitmap — 200 DPI
    using var pageImage = pdf.Render(i, 200, 200, PdfRenderFlags.CorrectFromDpi);

    // Save to temp file — OpenCvSharp cannot read from memory easily
    string tempPath = Path.GetTempFileName() + ".png";
    pageImage.Save(tempPath, ImageFormat.Png);

    try
    {
        using Mat mat = Cv2.ImRead(tempPath);
        var result = ocr.Run(mat);
        results.AppendLine($"--- Page {i + 1} ---");
        results.AppendLine(result.Text);
    }
    finally
    {
        File.Delete(tempPath);  // Must clean up temp files
    }
}

return results.ToString();

// Requires additional package: PdfiumViewer or similar
using Sdcb.PaddleOCR;
using Sdcb.PaddleOCR.Models.Online;
using OpenCvSharp;
using PdfiumViewer;
using System.Drawing.Imaging;
using System.Text;

FullOcrModel models = await OnlineFullModels.ChineseV4.DownloadAsync();
using PaddleOcrAll ocr = new PaddleOcrAll(models);

var results = new StringBuilder();

// Podręcznik PDF-to-image conversion, page by page
using PdfDocument pdf = PdfDocument.Load("document.pdf");

for (int i = 0; i < pdf.PageCount; i++)
{
    // Render page to bitmap — 200 DPI
    using var pageImage = pdf.Render(i, 200, 200, PdfRenderFlags.CorrectFromDpi);

    // Save to temp file — OpenCvSharp cannot read from memory easily
    string tempPath = Path.GetTempFileName() + ".png";
    pageImage.Save(tempPath, ImageFormat.Png);

    try
    {
        using Mat mat = Cv2.ImRead(tempPath);
        var result = ocr.Run(mat);
        results.AppendLine($"--- Page {i + 1} ---");
        results.AppendLine(result.Text);
    }
    finally
    {
        File.Delete(tempPath);  // Must clean up temp files
    }
}

return results.ToString();

Imports Sdcb.PaddleOCR
Imports Sdcb.PaddleOCR.Models.Online
Imports OpenCvSharp
Imports PdfiumViewer
Imports System.Drawing.Imaging
Imports System.Text

Dim models As FullOcrModel = Await OnlineFullModels.ChineseV4.DownloadAsync()
Using ocr As New PaddleOcrAll(models)

    Dim results As New StringBuilder()

    ' Podręcznik PDF-to-image conversion, page by page
    Using pdf As PdfDocument = PdfDocument.Load("document.pdf")

        For i As Integer = 0 To pdf.PageCount - 1
            ' Render page to bitmap — 200 DPI
            Using pageImage = pdf.Render(i, 200, 200, PdfRenderFlags.CorrectFromDpi)

                ' Save to temp file — OpenCvSharp cannot read from memory easily
                Dim tempPath As String = Path.GetTempFileName() & ".png"
                pageImage.Save(tempPath, ImageFormat.Png)

                Try
                    Using mat As Mat = Cv2.ImRead(tempPath)
                        Dim result = ocr.Run(mat)
                        results.AppendLine($"--- Page {i + 1} ---")
                        results.AppendLine(result.Text)
                    End Using
                Finally
                    File.Delete(tempPath)  ' Must clean up temp files
                End Try

            End Using
        Next

    End Using

    Return results.ToString()

End Using

To ponad 30 wierszy dla jednego pliku PDF. Dodanie kolejnej zależności NuGet (PdfiumViewer), ręczne renderowanie strony przy wybranej rozdzielczości DPI, tworzenie i usuwanie plików tymczasowych oraz iteracyjne gromadzenie wyników — wszystko to przed uruchomieniem samego PaddleOCR. Zbyt niska wartość DPI obniża dokładność; zbyt wysokie powoduje wydłużenie czasu przetwarzania. Decyzja należy do programisty.

Podejście IronOCR

IronOCR odczytuje pliki PDF w sposób natywny. Bez biblioteki konwersji, bez plików tymczasowych, bez pętli na stronę w miejscu wywołania:

using IronOcr;

var ocr = new IronTesseract();

// Natywne wprowadzanie plików PDF — no external library needed
using var input = new OcrInput();
input.LoadPdf("document.pdf");

var result = ocr.Read(input);

// Per-page access available if needed
foreach (var page in result.Pages)
{
    Console.WriteLine($"Page {page.PageNumber}: {page.Text.Length} chars");
}

// Produce a searchable PDF in one additional line
result.SaveAsSearchablePdf("searchable-output.pdf");

using IronOcr;

var ocr = new IronTesseract();

// Natywne wprowadzanie plików PDF — no external library needed
using var input = new OcrInput();
input.LoadPdf("document.pdf");

var result = ocr.Read(input);

// Per-page access available if needed
foreach (var page in result.Pages)
{
    Console.WriteLine($"Page {page.PageNumber}: {page.Text.Length} chars");
}

// Produce a searchable PDF in one additional line
result.SaveAsSearchablePdf("searchable-output.pdf");

Imports IronOcr

Dim ocr As New IronTesseract()

' Natywne wprowadzanie plików PDF — no external library needed
Using input As New OcrInput()
    input.LoadPdf("document.pdf")

    Dim result = ocr.Read(input)

    ' Per-page access available if needed
    For Each page In result.Pages
        Console.WriteLine($"Page {page.PageNumber}: {page.Text.Length} chars")
    Next

    ' Produce a searchable PDF in one additional line
    result.SaveAsSearchablePdf("searchable-output.pdf")
End Using

PDF-y chronione hasłem używają tej samej ścieżki LoadPdf z parametrem Password. Przewodnik w formacie PDF oraz przewodnik w formacie PDF z funkcją wyszukiwania szczegółowo opisują opcje wielostronicowe i opcje wyjściowe. Dla organizacji digitalizujących archiwa zeskanowanych dokumentów — gdzie każdy plik przychodzi w formacie PDF — ta różnica eliminuje znaczną warstwę kodu integracyjnego.

Kiedy wymagania językowe wykraczają poza 14

Projekt rozpoczyna przetwarzanie chińskich faktur — PaddleOCR radzi sobie z tym dobrze. Następnie baza klientów rozszerza się i dokumenty pojawiają się w języku polskim, holenderskim, greckim, wietnamskim i tureckim. Żaden z 14 języków obsługiwanych przez PaddleOCR nie obejmuje żadnego z nich. Migracja staje się konieczna, ponieważ narzędzie nie jest w stanie rozwijać się wraz z rosnącymi wymaganiami użytkowników. Dodanie obsługi języka polskiego w IronOCR wymaga jedynie dodania jednego pakietu NuGet i zmiany konfiguracji w jednym wierszu. Zespoły, które określają zakres projektu jako "początkowo skupiony na języku chińskim, ale ostatecznie wieloregionalny", muszą z góry zdecydować, czy rozpocząć pracę od narzędzia, które umożliwia skalowanie obsługiwanych języków bez konieczności przepisywania kodu.

Kiedy koszt wdrożenia przekracza budżet przeznaczony na rozwiązanie problemu

Dokumentacja PaddleOCR szacuje, że pierwsza konfiguracja zajmuje 30–60 minut w przypadku procesora CPU i 2–8 godzin w przypadku procesora graficznego GPU. Koszt pracy programisty wynoszący 100 USD/godz. oznacza, że pierwsza próba konfiguracji GPU kosztuje 200–800 USD, zanim zostanie przetworzony pierwszy obraz produkcyjny. Konfiguracja IronOCR to jedno polecenie instalacyjne i czterowierszowy przykład kodu — zajmuje to mniej niż pięć minut. W przypadku narzędzi wewnętrznych, prototypów lub projektów, w których OCR jest funkcją drugorzędną, a nie podstawowym produktem, ta różnica czasowa decyduje o tym, czy funkcja OCR zostanie dostarczona w bieżącym sprincie, czy też zostanie odłożona na dalszy plan. Rozpoczęcie pracy z IronOCR zajmuje mniej czasu niż konfiguracja środowiska CUDA.

Kiedy dominują procesy oparte na plikach PDF

Organizacje zajmujące się digitalizacją archiwów zeskanowanych dokumentów, przetwarzaniem faksów do formatu PDF lub wyodrębnianiem danych z faktur i umów w formacie PDF napotykają problem strukturalny związany z PaddleOCR: każdy plik PDF wymaga dodatkowej biblioteki, ręcznego renderowania stron, zarządzania plikami tymczasowymi oraz logiki wyboru DPI, zanim PaddleOCR będzie mógł go przetworzyć. Nie jest to przypadkowa złożoność — to stała konserwacja. Zespoły, które po wstępnej integracji z PaddleOCR odkrywają, że ponad 80% ich pracy opiera się na plikach PDF, zazwyczaj decydują się na migrację, gdy warstwa konwersji PDF staje się źródłem błędów, a nie gdy zawodzi sam PaddleOCR.

Gdy przeglądy zgodności wskazują na pochodzenie z Baidu

Zespoły ds. bezpieczeństwa w organizacjach rządowych, obronnych, służbie zdrowia i usługach finansowych coraz częściej stosują kryteria weryfikacji w odniesieniu do komponentów pochodzących od firm powiązanych z chińskim rządem. PaddleOCR to projekt firmy Baidu; Pobieranie modeli domyślnie łączy się z Baidu Cloud Storage; Framework PaddlePaddle jest produktem firmy Baidu. Kod działa lokalnie, a dokumenty nie są przesyłane, ale artefakty modelu pochodzą z infrastruktury Baidu. W środowiskach FedRAMP, ITAR lub CMMC pochodzenie danych powoduje przeprowadzenie kontroli zgodności, która może zablokować wdrożenie.IronOCR to produkt firmy Iron Software z siedzibą w USA, który przetwarza całą zawartość lokalnie, nie nawiązuje żadnych połączeń zewnętrznych i nie wymaga pobierania modeli z serwerów stron trzecich.

Gdy infrastruktura GPU nie jest dostępna

PaddleOCR na procesorze (300–500 ms/obraz, 3–5 sekund uruchamiania na zimno, 500 MB–1 GB pamięci) jest wolniejsze i bardziej obciążające niżIronOCR na procesorze (150–300 ms/obraz, poniżej 1 sekundy uruchamiania na zimno, 100–200 MB pamięci). Zaleta PaddleOCR związana z wykorzystaniem procesora graficznego (GPU) ujawnia się dopiero po skonfigurowaniu CUDA/cuDNN, a ta zaleta uzasadnia złożoność operacyjną tylko w przypadku dużych wolumenów. Zespoły korzystające ze standardowej infrastruktury chmurowej bez instancji GPU — EC2 bez GPU, Azure App Service, AWS Lambda — ponoszą koszty konfiguracji PaddleOCR, nie uzyskując w zamian korzyści wydajnościowych, które by to uzasadniały.

Zastąpienie pakietów i przestrzeni nazw

Zmiana pakietu usuwa pięć zależności i dodaje jedną. Usuń Sdcb.PaddleOCR, Sdcb.PaddleOCR.Models.Online, pakiet Sdcb.PaddleInference.runtime.*, OpenCvSharp4 oraz OpenCvSharp4.runtime.win z .csproj. Dodaj IronOcr. Dodaj pakiety językowe jako pakiety NuGet dla każdego języka innego niż angielski, który wcześniej korzystał z pobranego zestawu modeli.

Dyrektywy using Sdcb.PaddleOCR i using OpenCvSharp zastąpiono przez using IronOcr. Wzorzec Mat mat = Cv2.ImRead(path) zastąpiono przez new OcrInput(path) lub input.LoadImage(path). Wywołanie ocr.Run(mat) staje się ocr.Read(input). Dla projektów korzystających z API wejścia obrazów, obiekt OcrInput akceptuje ścieżki plików, tablice bajtów, strumienie i System.Drawing.Bitmap — pośrednik OpenCvSharp znika całkowicie.

Przekształcenie struktury wyników

PaddleOCR zwraca result.Regions — tablicę obiektów PaddleOcrResultRegion, gdzie region.Score jest liczbą zmiennoprzecinkową od 0 do 1.IronOCR zwraca result.Words — gdzie word.Confidence jest procentem od 0 do 100. Filtr zaufania r.Score >= 0.8 mapuje do w.Confidence >= 80. Dostęp do ramki ograniczającej zmienia się z region.Rect.Center.X / region.Rect.Size.Width na word.X / word.Width. Przewodnik po wynikach strukturalnych obejmuje strony, akapity, wiersze i słowa.

Sortowanie przestrzenne (sortowanie według Y, a następnie X w celu przybliżenia kolejności czytania) jest rzadziej potrzebne w przypadku IronOCR, ponieważ silnik układu Tesseract wykonuje analizę kolejności czytania w ramach etapu segmentacji strony. W przypadku dokumentów, w których PaddleOCR wymagało jawnej logiki sortowania, przed przeniesieniem kodu sortowania należy sprawdzić, czy domyślna kolejność wyjściowa IronOCR już spełnia wymagania.

Przetwarzanie wstępne Przejście

Model wykrywania oparty na głębokim uczeniu się PaddleOCR toleruje umiarkowane pogorszenie jakości obrazu — sieć neuronowa radzi sobie z zakłóceniami i przekrzywieniem bardziej niezawodnie niż klasyczny proces segmentacji Tesseract. Podczas migracji do IronOCR należy dodać wyraźne przetwarzanie wstępne dla dokumentów, które wcześniej były przetwarzane pomyślnie bez niego:

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadImage("low-quality-scan.png");

// These filters recover the accuracy that PaddleOCR provided automatically
// on noisy or skewed inputs
input.Deskew();
input.DeNoise();
input.Contrast();
input.Binarize();
input.EnhanceResolution(300);

var result = ocr.Read(input);

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadImage("low-quality-scan.png");

// These filters recover the accuracy that PaddleOCR provided automatically
// on noisy or skewed inputs
input.Deskew();
input.DeNoise();
input.Contrast();
input.Binarize();
input.EnhanceResolution(300);

var result = ocr.Read(input);

Imports IronOcr

Dim ocr As New IronTesseract()

Using input As New OcrInput()
    input.LoadImage("low-quality-scan.png")

    ' These filters recover the accuracy that PaddleOCR provided automatically
    ' on noisy or skewed inputs
    input.Deskew()
    input.DeNoise()
    input.Contrast()
    input.Binarize()
    input.EnhanceResolution(300)

    Dim result = ocr.Read(input)
End Using

W przypadku dokumentów zeskanowanych pod niestandardowymi kątami lub z zakłóceniami w tle te cztery filtry pozwalają w znacznym stopniu zniwelować różnice w dokładności. Przewodnik po korekcji orientacji obrazu oraz przewodnik po korekcji kolorów obrazu opisują wpływ każdego z filtrów na typowe artefakty skanowania. Przed sfinalizowaniem migracji należy przetestować reprezentatywne dokumenty w obu procesach, aby sprawdzić, czy dokładność spełnia wymagania w odniesieniu do rzeczywistego zestawu dokumentów.

Porządkowanie wdrożenia

Po migracji rozmiar artefaktu wdrożeniowego znacznie się zmniejsza. Usuń drzewo katalogu models/ (trzy podkatalogi, ~21MB plików modelu), paddle_inference.dll (~200MB), paddle2onnx.dll (~5MB) oraz pliki opencv_world*.dll (~50MB łącznie). Usuń linię apt-get install libopencv-dev z pliku Dockerfile oraz krok kopiowania modelu. Usuń wszelkie kroki CI/CD, które wstępnie pobierają modele lub buforują katalogi modeli. Rozmiar obrazu Docker zmniejsza się z ~1,5 GB do ~400 MB.