如何让Tesseract更快

Question

这可能有点难度，但我还是要问一下。我需要任何可能使Tesseract OCR引擎更快的想法。我正在处理200万个PDF文件，包含约2000万页文本，并且需要尽可能地提高性能。如果什么都不做，目前的估计是需要一年时间才能完成。

我已经调整了输入图像，以获得一些增强效果，但我需要考虑其他方法。我认为在这一点上改进图像并不能让我有所突破。

例如：

• 是否可以使用优化标志或类似的方式重新编译Tesseract？
• 是否可以利用共享CPU内存或GPU？
• 我是否可以告诉Tesseract使用更多内存（我有很多）？
• 还有其他方法可以使基于CPU的C ++程序更快吗？

目前，Tesseract由我们的任务运行器Celery运行，它使用多处理来完成工作。这样，我可以让服务器看起来像这样：

我显然不知道自己在说什么，因为我是一名Python开发人员，而Tesseract是用C++编写的，但如果有任何方法可以提高性能，我很乐意听取建议。

- mlissner

Answer 1

我有大量OCR需求，但Tesseract运行速度太慢了。最终我选择了类似于这个的自定义前馈神经网络。不过你不必亲自构建，可以使用高性能库，如Nervana neon，而且很容易使用。

然后问题分为两部分：

1）将字符与非字符分离。
2）将字符输入神经网络中。

假设你以大小为1000的批次输入字符，将每个字符调整为尺寸为8 x 8（64像素），并希望识别26个字母（小写和大写）以及10个数字和10个特殊字符（共72个字符）。那么解析所有1000个字符最终变成两个（非关联的！）矩阵乘积：

(A点乘B)点乘C。

其中A是一个1000 x 64矩阵，B是一个64 x 256矩阵，C是一个256 x 72矩阵。

对于我来说，这比Tesseract快了几个数量级。只需基准测试计算机可以完成这些矩阵乘积的速度（元素为浮点数）。

这些矩阵乘积是非关联的，因为在第一个乘积之后，必须应用一种称为ReLU的（便宜的）函数。

从零开始使整个OCR工作需要我几个月时间，但OCR是我的项目的重要部分。

此外，字符分割并不容易。根据你的PDF文件，它可能是计算机视觉中的简单练习，也可能是人工智能中的开放性研究问题。

我并不声称这是最简单或最有效的方法...这只是我所做的！

- étale-cohomology

---

谢谢回复。听起来你有一个非常令人印象深刻的设置。不幸的是，我们没有资源去做类似的事情。 - mlissner