Інтеграція Tesseract OCR: розпізнавання тексту під ключ

Ваші оператори вручну передруковують дані з бланків, рахунків і накладних? Помилки при ручному введенні коштують часу та грошей. Ми інтегруємо Tesseract OCR — відкритий двигун розпізнавання тексту від Google (Wikipedia) — у вашу систему. Результат: текст вилучається автоматично з точністю до 98% на типових документах. І все це локально, без ризику витоку даних у хмари. При обсягах понад 10 000 сторінок на місяць Tesseract OCR на 40% дешевший за хмарні API.

Розглянемо, як ми вирішуємо типові проблеми при впровадженні OCR і що потрібно для безшовної інтеграції.

Які проблеми вирішуємо?

Головна складність — варіативність вхідних документів. Роздільна здатність, кут повороту, тип шрифту, фонові перешкоди — все це знижує точність розпізнавання. Особливо гостро стоїть питання змішаних мов: українська + англійська, українська + цифри. Ми стикалися з проєктом, де клієнт обробляв медичні поліси: скани були різної якості, а в тексті траплялися латинські абревіатури. Базова настройка давала 70% точності. Після підбору PSM та передобробки точність досягла 94%. Згідно з дослідженнями ефективності OCR, правильна передобробка зображень підвищує точність на 15–25%.

Ще одна проблема — LSTM engine в Tesseract 5 вимагає коректного вибору режиму сегментації сторінки (PSM). Неправильний PSM призводить до втрати половини тексту.

Як ми інтегруємо Tesseract

Ми використовуємо Python-бібліотеку pytesseract. Для базової роботи достатньо кількох рядків:

import pytesseract
from PIL import Image
import cv2
import numpy as np

# Базове розпізнавання
def extract_text(image_path: str, lang: str = 'ukr') -> str:
    image = Image.open(image_path)
    text = pytesseract.image_to_string(image, lang=lang, config='--psm 3')
    return text

# Детальний вивід з позиціями
def extract_with_positions(image_path: str, lang: str = 'ukr') -> list[dict]:
    image = Image.open(image_path)
    data = pytesseract.image_to_data(
        image,
        lang=lang,
        output_type=pytesseract.Output.DICT
    )

    results = []
    for i, text in enumerate(data['text']):
        if text.strip() and int(data['conf'][i]) > 0:
            results.append({
                'text': text,
                'confidence': int(data['conf'][i]),
                'x': data['left'][i],
                'y': data['top'][i],
                'w': data['width'][i],
                'h': data['height'][i]
            })
    return results

Це основа. Для продакшну ми додаємо передобробку та тюнінг параметрів.

Чому локальний OCR вигідніший за хмарний?

Хмарні сервіси (Google Cloud Vision, Azure OCR) вимагають передачі даних назовні та коштують дорого при великих обсягах. Tesseract працює на вашому сервері — жодних витрат на API, жодних обмежень за кількістю запитів. При грамотному налаштуванні він не поступається за якістю комерційним аналогам. Крім того, всі дані залишаються всередині периметра, що критично для медичних та фінансових організацій. Ми гарантуємо конфіденційність обробки. Використання локального Tesseract OCR дозволяє заощадити до 60% бюджету на розпізнавання порівняно з хмарними сервісами.

Як покращити точність розпізнавання?

Перший крок — вибір правильного PSM (Page Segmentation Mode). Нижче — популярні режими:

Другий крок — передобробка зображення. Ми застосовуємо збільшення роздільної здатності, переведення в відтінки сірого, адаптивну бінаризацію та морфологію. Приклад функції:

def prepare_for_tesseract(image: np.ndarray,
                           scale_factor: float = 2.0) -> np.ndarray:
    # Upscale — Tesseract працює краще при 300+ DPI
    h, w = image.shape[:2]
    image = cv2.resize(image, (int(w * scale_factor), int(h * scale_factor)),
                       interpolation=cv2.INTER_CUBIC)

    # Grayscale
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # Adaptive threshold — краще для нерівномірного освітлення
    processed = cv2.adaptiveThreshold(
        gray, 255,
        cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
        cv2.THRESH_BINARY, 31, 2
    )

    # Dilate для покращення з'єднань символів
    kernel = np.ones((1, 1), np.uint8)
    processed = cv2.dilate(processed, kernel, iterations=1)
    processed = cv2.erode(processed, kernel, iterations=1)

    return processed

Для української мови ми додатково налаштовуємо конфігурацію:

custom_config = (
    '--psm 6 '
    '--oem 3 '                          # LSTM engine
    '-c preserve_interword_spaces=1 '
    '-c tessedit_char_whitelist='
    'АБВГДЕЄЖЗИІЇЙКЛМНОПРСТУФХЦЧШЩЬЮЯабвгдеєжзиіїйклмнопрстуфхцчшщьюя'
    'ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789 .,!?-:;'
)

text = pytesseract.image_to_string(image, lang='ukr+eng', config=custom_config)

Якщо в документах трапляються специфічні терміни (медичні, технічні), ми створюємо кастомний словник:

# Створення custom .traineddata
combine_tessdata -u ukr.traineddata ukr.
# Додаємо кастомний словник в ukr.user-words
echo "ЕКГ МРТ КТ УЗІ" > ukr.user-words

Точність на різних сценаріях:

Процес роботи

1. Аналіз документів. Ви надаєте 10-20 типових зразків. Ми оцінюємо якість, мову, шрифти.
2. Підбір конфігурації. Вибираємо PSM, налаштування передобробки, список мов.
3. Інтеграція. Вбудовуємо код у вашу систему, пишемо документацію.
4. Тестування. Перевіряємо на вибірці документів, коригуємо.
5. Деплой. Розгортаємо рішення на вашому сервері.
6. Навчання. Проводимо сесію для ваших розробників.

Що входить в роботу

• Код інтеграції на Python (pytesseract) з готовими функціями
• Конфігураційні файли для PSM та передобробки
• Інструкція з розгортання у вашому середовищі (Docker / bare metal)
• Звіт про тестування на ваших документах
• Навчання команди (2 онлайн-сесії)
• Гарантійна підтримка 30 днів

Строки та вартість

Вартість розраховується індивідуально залежно від обсягу документів та складності. Зв'яжіться з нами для оцінки вашого проєкту. Отримайте консультацію з інтеграції Tesseract OCR вже сьогодні — ми підберемо оптимальну конфігурацію під ваш бізнес.

Чому обирають нас

Понад 5 років ми впроваджуємо OCR-рішення в бізнес-процеси. Виконали 50+ проєктів для фінансових, медичних та логістичних компаній. Гарантуємо якість розпізнавання не нижче 95% на стандартних документах. Надаємо повний цикл — від аналізу до підтримки.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.