Tesseract: OCR на кирилица без видеокарта

01Какво ще научиш

• Къде е мястото на Tesseract във верига за OCR и кога да минеш към по-тежък модел.
• Как да го инсталираш заедно с български (bul) и да избереш между данните fast и best.
• Как да четеш текст с pytesseract и с командния ред.
• Какво правят режимите --psm и --oem и как да избереш правилния.
• Как да четеш оценката за доверие по думи и да я ползваш като граница.
• Какво не умее: ръкопис, таблици, сложни оформления.

02Преди да започнеш

• Терминал на Linux — на DGX OS (Ubuntu 24.04) или на всяка друга машина; Tesseract не изисква видеокарта, CUDA или Arm-специфични настройки, затова върви и на стари машини, в контейнери без достъп до видеокарта, в WSL и в автоматични проверки (CI). Пакетът tesseract-ocr е наличен за arm64 в Ubuntu 24.04.
• Python 3.8 или по-нов (изискването на pytesseract).
• Няколко тестови картинки с печатен български текст. Използвай измислени документи — реални лични данни не пускай, докато не си сигурен къде отиват (тук всичко е локално).
• Резолюция: Tesseract работи най-добре при поне 300 dpi (по документацията му). Снимка от телефон, направена отдалече, често е под това.

03Стъпки

1. Инсталирай двигателя и българския пакет

   Първият ред слага Tesseract и данните за български; вторият — Python библиотеките. pandas трябва само за image_to_data във вид на таблица. Използваме виртуална среда, за да не пипаме системния Python.

   bashкопирай

   sudo apt install tesseract-ocr tesseract-ocr-bul
   python3 -m venv .venv && . .venv/bin/activate
   pip install pytesseract pillow pandas
   
   tesseract --version
   tesseract --list-langs

   В списъка трябва да видиш bul (и eng, osd). Ако Ubuntu не намира пакета, виж дали е включено хранилището universe.

   💡

   Кои данни получаваш: fast, best или tessdata

   Tesseract има три официални набора файлове bul.traineddata. tessdata_fast — най-малък и най-бърз (цел „цена/качество“; дистрибуциите обикновено пакетират него — пакетът tesseract-ocr-bul в Ubuntu 24.04 заема около 1,65 MB след инсталация, колкото fast); tessdata_best — най-бавен и по документацията най-точен; tessdata — единственият, който поддържа и стария (legacy) двигател. Измерихме размерите на bul: fast ≈ 1,7 MB, best ≈ 8,8 MB, tessdata ≈ 8,4 MB. Файловете fast и best съдържат само LSTM — режимите --oem 0 и --oem 2 с тях не работят. Как да ги подмениш: свали файла от tessdata_best в своя папка и подай --tessdata-dir <папка> (в pytesseract — през config). Кое е по-добро за твоите документи — виж стъпка 6.

2. Първо четене с командния ред

   Най-бързият тест няма нужда от Python: подай картинка, изходът - значи „на екрана“, -l bul избира български.

   bashкопирай

   tesseract doc.png - -l bul --oem 1 --psm 6

   Ако картинката няма записана резолюция, Tesseract може да каже „Invalid resolution 0 dpi. Using 70 instead“. Предупреждението е безвредно за този опит, но е сигнал: за реални сканове провери резолюцията (виж стъпка 6).

3. Четене от Python с pytesseract

   pytesseract е тънка обвивка: вика програмата tesseract и връща резултата. Затова двигателят трябва да е инсталиран и да е в PATH.

   pythonкопирай

   import pytesseract
   from PIL import Image
   
   # На Windows, ако tesseract.exe не е в PATH:
   # pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
   
   img = Image.open("doc.png")
   text = pytesseract.image_to_string(img, lang="bul", config="--oem 1 --psm 6")
   print(text)

   Другите функции: image_to_data (дума по дума, с координати и доверие), image_to_boxes (по знаци) и image_to_pdf_or_hocr (PDF с вграден текст или hOCR).

4. Режимите --psm: как Tesseract дели страницата

   --psm казва на двигателя каква е страницата. Грешният избор е най-честата причина за „празен“ или объркан изход: ред, подаден като страница, или страница, подадена като ред. По документацията (man страницата на Tesseract) режимите са:

   • --psm 0 — Само откриване на ориентация и писменост (OSD). Кога: Да разбереш дали страницата е завъртяна.
   • --psm 1 — Автоматично, с OSD. Кога: Страници с неясна ориентация.
   • --psm 3 — Напълно автоматично, без OSD (по подразбиране). Кога: Общ случай, цяла страница.
   • --psm 4 — Една колона текст с различни размери. Кога: Писма, колона със заглавия.
   • --psm 6 — Един равномерен блок текст. Кога: Чисти параграфи.
   • --psm 7 — Един ред. Кога: Изрязан ред, поле във формуляр.
   • --psm 8 — Една дума. Кога: Изрязана дума.
   • --psm 10 — Един знак. Кога: Отделна буква или цифра.
   • --psm 11 — Разпръснат текст — намери колкото се може, без ред. Кога: Формуляри, бланки, билети.
   • --psm 12 — Разпръснат текст с OSD. Кога: Същото, но със завъртени страници.
   • --psm 13 — Суров ред — без специфичните за Tesseract поправки. Кога: Специални случаи на един ред.

   Режимите 2 („не е реализиран“), 5 (вертикален блок) и 9 (дума в кръг) са по-рядко нужни. Режимът --oem избира двигателя: 0 само стария, 1 само LSTM, 2 двата, 3 по подразбиране — според наличното. С данни fast и best избирай --oem 1 (или 3).

   ✅

   Какво видяхме на измислената картинка

   Подадохме на Tesseract 4.1.1 (не 5.x) една картинка с три реда кирилица, написани с един шрифт. Целите български думи бяха прочетени вярно с --psm 3 и --psm 6 и с данните fast, и с best; изрязаният първи ред мина с --psm 7. Но редът със сума в евро излезе грешен при -l bul: „120 EUR“ беше прочетено като „120 ЕЦК“ (fast) и „120 ЕПНВ“ (best) — латинските букви се четат като кирилица. С -l bul+eng „EUR“ излезе вярно, но „Номер“ стана „Homep“ — смесването измести други подобни на вид букви. Единична картинка и един шрифт не доказват нищо за точността; поуката е друга: латински думи, цифри с валутни кодове и смесени документи проверявай винаги с bul и с bul+eng.

5. Доверие по думи с image_to_data

   image_to_data връща за всяка дума място, размер и conf — доверие от 0 до 100 (при редовете за блокове и абзаци стойността е -1 и текстът е празен — това не са думи). С нея филтрираш съмнителното.

   pythonкопирай

   import pytesseract
   from PIL import Image
   
   img = Image.open("doc.png")
   data = pytesseract.image_to_data(
       img, lang="bul", config="--oem 1 --psm 6",
       output_type=pytesseract.Output.DATAFRAME,
   )
   
   # само истински думи: непразен текст и conf >= 0
   words = data[(data["conf"] >= 0) & data["text"].notna() & (data["text"].astype(str).str.strip() != "")]
   print(words[["left", "top", "width", "height", "text", "conf"]].to_string(index=False))
   print("средно доверие:", round(words["conf"].mean(), 1))

   Прагът 60 от стария текст беше пример. Няма „правилно“ число за всички документи — избери го върху своя ръчно проверен примерен набор.

6. Подготви картинката и сравни данните

   Tesseract е чувствителен към качеството на входа. По неговата документация помагат: резолюция от поне 300 dpi, равномерно осветление, махнат шум, изправен наклон и без черни рамки по краищата. Сам бинаризира картинката; от 5.0 има и два допълнителни метода (Adaptive Otsu и Sauvola). Пример за прост опит:

   pythonкопирай

   import pytesseract
   from PIL import Image, ImageOps
   
   img = Image.open("doc.png").convert("L")      # сиви тонове
   img = ImageOps.autocontrast(img)              # по-добър контраст
   w, h = img.size
   if w < 1600:                                  # груба проба за малки картинки
       img = img.resize((w * 2, h * 2), Image.LANCZOS)
   
   # сравни данните: подай папка с bul.traineddata от tessdata_best
   cfg_fast = "--oem 1 --psm 6"
   cfg_best = "--oem 1 --psm 6 --tessdata-dir ./tessdata_best"
   
   for name, cfg in (("fast", cfg_fast), ("best", cfg_best)):
       print("==", name)
       print(pytesseract.image_to_string(img, lang="bul", config=cfg))

   Мери върху свои документи: колко думи са грешни и колко време отнема. Така избираш между fast и best по числа, които са твои, а не по чужди твърдения.

7. Резервна верига: Tesseract първи, тежкият модел — по нужда

   Идеята: евтина проба на процесора, а по-тежкият OCR — само за страниците, на които Tesseract не е сигурен.

   1. Tesseract чете страницата и връща текст и доверие по думи.
   2. Ако средното доверие е под твоя праг или страницата е сложна (таблици, ръкопис) — предай я на OCR модел с видеокарта (следващия урок е EasyOCR).
   3. Само ако ти трябва разбиране на документа, а не само текст — визуален модел.
   pythonкопирай

   PRAG = 70   # пример: нагласи го върху своя ръчно проверен набор
   
   def tesseract_pass(img):
       d = pytesseract.image_to_data(
           img, lang="bul", config="--oem 1 --psm 6",
           output_type=pytesseract.Output.DATAFRAME,
       )
       w = d[(d["conf"] >= 0) & d["text"].notna() & (d["text"].astype(str).str.strip() != "")]
       text = " ".join(w["text"].astype(str))
       return text, (w["conf"].mean() if len(w) else 0.0)
   
   text, conf = tesseract_pass(img)
   if conf < PRAG:
       pass  # тук предай страницата на по-тежкия OCR (напр. следващия урок)

   ⚠️

   Доверието не е истина

   Високо доверие не гарантира правилен текст — видяхме как „EUR“ се чете уверено като кирилица. За суми, номера и дати човек проверява, преди числото да влезе в системата.

8. Какво Tesseract не прави добре

   	Подхожда	Не подхожда
   Текст	Чист печатен	Ръкопис, декоративни шрифтове
   Качество	Добър контраст, 300 dpi или повече	Замъглени снимки, силен шум
   Оформление	Една колона, прости абзаци	Много колони, таблици
   Хардуер	Всеки процесор, без видеокарта	Ускорение на видеокарта
   Цена	Безплатен, Apache-2.0	—

   Двигателят върви на процесора, затова при хиляди страници ще е бавен колкото ти позволява процесорът — мери на свой набор, не вярвай на обща цифра „секунди на страница“.

9. PDF с текст, в който се търси

   bashкопирай

   tesseract doc.png out -l bul --oem 1 --psm 6 pdf

   Получаваш out.pdf с вграден текстов слой: изглежда като скана, но в него се търси и се копира.

   💡

   Windows

   Tesseract за Windows се слага с инсталатор (документацията на Tesseract сочи инсталаторите на UB Mannheim — 32- и 64-битови, за версии 3.05, 4 и 5). Папката по подразбиране е C:\Program Files\Tesseract-OCR\ — добави я в PATH или задай tesseract_cmd както в стъпка 3. Езиците се избират при инсталацията или bul.traineddata се копира в папката tessdata.

04Проверка

• tesseract --version дава версия, а --list-langs показва bul.
• image_to_string с lang="bul" чете кирилска тестова страница.
• Сравнил си --psm 3, 6, 7 и 11 върху различни по вид входове.
• Знаеш кои редове с числа, латински думи и валути трябва да минат през човек.
• Сравнил си bul и bul+eng и данните fast и best върху свои документи.
• Имаш записано правило кога страница отива към по-тежък модел и с какъв праг.

Тест

05Какво следва

06Източници

1. Tesseract: издания в GitHub — последно 5.5.3 (24.07.2026) · хранилището — лиценз Apache-2.0, описание на --psm и --oem 🔒 локално.
2. Tesseract: файлове с данни — fast, best, tessdata; кой поддържа legacy.
3. tessdata_fast · tessdata_best · tessdata — bul.traineddata.
4. Tesseract: подобряване на качеството — 300 dpi, бинаризация, шум, наклон, рамки · инсталация — вкл. Windows (UB Mannheim).
5. pytesseract в PyPI — 0.3.13, Python 3.8+ · хранилище.
6. Ubuntu 24.04: tesseract-ocr (5.3.4) · tesseract-ocr-bul.