如何使 Tesseract 更快[关闭]答案

【问题标题】：How to Make Tesseract Faster [closed]如何使 Tesseract 更快[关闭]
【发布时间】：2017-01-11 01:30:48
【问题描述】：

这是一个很长的镜头，但我不得不问。我需要任何可能使 Tesseract OCR 引擎更快的想法。我正在处理由大约 2000 万页文本组成的 200 万份 PDF，我需要尽可能地发挥性能。目前的估计是，如果我什么都不做，这将需要大约一年的时间。

我已经调整了输入图像以获得一些提升，但我需要考虑其他方法。我认为目前对图像的改进不会让我有所收获。

例如：

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

我（显然？）不知道我在说什么，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在这里得到提升，我会喜欢想法。

【问题讨论】：

【解决方案1】：

我也有巨大的 OCR 需求，而 Tesseract 的速度非常慢。我最终选择了custom feedforward net similar to this one。不过，您不必自己构建它；您可以使用像Nervana neon 这样的高性能库，它恰好易于使用。

那么问题有两部分：

1) 将字符与非字符分开。
2) 向网络提供角色。

假设您分批输入大小为1000 的字符，您将每个字符的大小调整为8 x 8（64 像素），并且您想识别26 个字母（小写和大写）和10 个数字和10 个特殊字符字符（总共 72 个字形）。然后解析所有 1000 个字符最终成为两个（非关联！）矩阵产品：

(A点B)点C。

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

对我来说，这比 Tesseract 快几个数量级。只需对您的计算机执行这些矩阵乘积的速度进行基准测试（元素是浮点数）。

矩阵乘积是非关联的，因为在第一个乘积之后您必须应用一个称为 ReLU 的（廉价）函数。

我花了几个月的时间才让整个墨西哥卷饼从头开始工作，但 OCR 是我项目的主要部分。

此外，分割字符也很重要。根据您的 PDF，它可以是任何东西，从简单的计算机视觉练习到开放的人工智能研究问题。

我并不是说这是最简单或最有效的方法...这就是我所做的！

【讨论】：