[Python]Tesseract 5 與PaddleOCR v5比較

單純比較單行文字的結果

PaddleOCR 辨識率及速度就高好多，資料集為英文加數字

詳細比較結果

PaddleOCR只有少數O跟0會誤判

1. Tesseract 的 AI 模型

• 版本差異
• • Tesseract 3 以前：主要是傳統 OCR（字元切割 → 模板匹配/分類器）。
  • Tesseract 4：引入 LSTM (Long Short-Term Memory) 序列模型，用於行文字（line-based）辨識。這是 Tesseract 的核心「AI」部分。
  • Tesseract 5：延續 LSTM-based recognizer，支援更多語言模型與訓練改進，但整體架構仍以 LSTM 為主。
• Pipeline 概念
• 1. Page segmentation（傳統 rule-based 演算法 + connected components）
  2. Line extraction
  3. LSTM recognizer（針對字元序列）
  4. 語言模型（字典 / n-gram）後處理

👉 可以說 Tesseract 用的 AI 是 LSTM RNN 模型（單層/多層 LSTM），而不是 CNN 或 Transformer。

2. PaddleOCR 的 AI 模型

PaddleOCR 屬於 深度學習全家桶，模型架構比 Tesseract 現代化，包含 檢測 + 辨識 + 後處理。

• 檢測 (Text Detection)
• • DBNet (Differentiable Binarization)、EAST、SAST 等
  • 這些是基於 CNN (卷積神經網路) + segmentation 的檢測網路
  • 作用：找到圖片中「文字區域」的 bounding boxes / polygons
• 方向分類 (Direction Classification)
• • 小型 CNN，用來判斷文字是否旋轉 / 上下顛倒
• 辨識 (Text Recognition)
• • 早期版本：CRNN (CNN + RNN + CTC)
  • 新版本（PP-OCR v3/v4）： SVTR (Scene Text Vision Transformer) → 基於 Transformer 架構 backbone: MobileNetV3 / ResNet / LCNet seq2seq decoding: CTC 或 Attention-based
  • 可以說 PaddleOCR 從 CNN+RNN 演進到 CNN+Transformer 架構
• 後處理
• • 語言建模 / 字典比對（但不像 Tesseract 那麼依賴字典）

👉 PaddleOCR 用的是 CNN + Transformer (SVTR) 的現代化 OCR 模型組合，而 Tesseract 仍是 LSTM-based recognizer。

4. 實務影響

• PaddleOCR
• • 更擅長 扭曲、場景文字、非規則字型
  • 適合 複雜影像（如街景、招牌、表格）
  • 可以持續進化，因為 backbone 可以換成更強大的 Transformer
• Tesseract
• • LSTM 對於 規整的掃描文檔 已足夠
  • 對雜訊、變形、彎曲字表現差
  • 模型演進空間有限（仍停留在 LSTM，而不是 CNN/Transformer）