Сравнение open-source OCR движков для русских документов: как мы тестировали Tesseract, EasyOCR и другие

Ё-моё: почему с русским текстом так сложно

Вы когда-нибудь пробовали распознать сканер паспорта, где буква «ё» сливается с «е», а шрифт в графе «подпись» такой, будто дизайнер пил кофе с формалином? Я перепробовал десятки open-source OCR-движков на реальных русских документах — от нотариальных доверенностей до товарных накладных. Результат: половина решений даёт грязь, вторую половину нужно вылизывать предобработкой.

Проблема кириллицы не только в букве «ё». Это окончания, которые ломают n-граммовые модели, это шрифты вроде «гельветика-кириллица» с варварскими засечками, это старые сканы с трещинами на букве «ш». Англоязычные бенчмарки тут не помогут. Поэтому мы собрали датасет из 500 реальных изображений — паспорта, договоры, СНИЛС, квитанции — и прогнали через всех кандидатов.

Кандидаты на ринге

Отобрали пять движков, которые можно запустить локально (без облаков) и которые заявляют поддержку русского языка. Версии — актуальные на апрель 2026:

Методология — без неё это холивар

Берём 500 изображений. Делим на типы: печатные (шрифт Times New Roman, Arial, рукописные имитации), сканы 300 dpi, фотки с телефона (12 Мп). Для каждого считаем Character Error Rate (CER) и Word Error Rate (WER). Исправляем регистр — для русских имён и фамилий это критично. Запускаем всё на одном железе: CPU: AMD Ryzen 9 7950X, GPU: NVIDIA RTX 4090 (24 GB).

Ниже — код для расчёта метрик. Мы использовали библиотеку jiwer и кастомную функцию для нормализации (убрали лишние пробелы, привели к нижнему регистру, но сохранили «ё»).

import jiwer

def normalize_russian(text):
    # оставляем ё, убираем пунктуацию, лишние пробелы
    import re
    text = text.lower()
    text = re.sub(r'[^а-яё0-9\s]', '', text)
    text = re.sub(r'\s+', ' ', text).strip()
    return text

def compute_cer_wer(reference, hypothesis):
    ref_norm = normalize_russian(reference)
    hyp_norm = normalize_russian(hypothesis)
    cer = jiwer.cer(ref_norm, hyp_norm)
    wer = jiwer.wer(ref_norm, hyp_norm)
    return cer, wer

Результаты: кто читает «ё», а кто — слоги

Тесты проводились на трёх подмножествах. Вот средние показатели по всему датасету:

Лидер по точности — PaddleOCR 4.5. При этом он быстрее всех на CPU (благодаря легковесной архитектуре MobileNet). EasyOCR показал достойные результаты, но проигрывает в скорости. Tesseract — всё ещё неплох, если документ идеально прямолинейный, но малейший перекос или сжатие — и вы получаете кашу. TrOCR разочаровал: для русского явно требовался дообучающий датасет, которого в открытом доступе нет.

Почему PaddleOCR выиграл — и где его слабые места

Секрет PaddleOCR — в специально обученной русской языковой модели (PP-OCRv4 Cyrillic). Она учитывает окончания, букву «ё» и редкие сочетания. Плюс встроенный детектор текста (DB) отлично находит строки даже на зашумлённых квитанциях.

Но есть и недостатки:

• Проблемы с курсивом и наклонными шрифтами — детектор иногда рвёт строку на куски.
• Жирные шрифты (Bold) — модель путает «Т» и «Ш» при сильном насыщении.
• Сложная предобработка: если не выставить пороговые значения binarization, точность падает.

В свою очередь, EasyOCR проще в интеграции: import easyocr; reader = easyocr.Reader(['ru']); reader.readtext('img.jpg'). Но он медленнее и чаще ошибается на специфических символах (№, ₽, §).

Как мы предобрабатывали изображения — ключевой этап

Без хорошей предобработки даже лучший OCR даст грязь. Мы применяли универсальный пайплайн:

1. Выравнивание — поворот по контурам текста (использовали OpenCV minAreaRect).
2. Перевод в серый + бинаризация — метод Otsu для светлых фонов, Sauvola для тёмных.
3. Удаление шума — медианный фильтр (kernel 3x3).
4. Увеличение контраста — CLAHE.
5. Определение языка — если документ частично на латинице, добавляли второй проход.

Полный код нашего препроцессора доступен в репозитории (гитхаб-ссылка будет ниже). Но вот ключевая функция:

import cv2
import numpy as np

def preprocess_image(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # выравнивание
    coords = np.column_stack(np.where(gray > 0))
    angle = cv2.minAreaRect(coords)[-1]
    if angle < -45:
        angle = 90 + angle
    h, w = gray.shape[:2]
    M = cv2.getRotationMatrix2D((w/2, h/2), angle, 1.0)
    rotated = cv2.warpAffine(gray, M, (w, h), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE)
    # бинаризация
    _, binary = cv2.threshold(rotated, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # медианный шум
    denoised = cv2.medianBlur(binary, 3)
    return denoised

Постобработка: превращаем «Ш» в «Ш» и «о» в «о»

Даже PaddleOCR ошибается. Мы добавили словарь русских слов (150k лемм) и простой spellchecker на основе trie. Это снизило WER ещё на 1-2%.

Пример: EasyOCR на слове «распознавание» выдаёт «распазнавание». Исправляем через yaspeller или pymorphy2.

from pymorphy2 import MorphAnalyzer
morph = MorphAnalyzer()

def correct_word(word):
    # если слово есть в словаре, не трогаем
    if word in vocab:
        return word
    # иначе решаем через pymorphy
    p = morph.parse(word)[0]
    return p.normal_form  # осторожно: иногда ломает окончания

Выбор сценария: PaddleOCR vs EasyOCR vs Tesseract

В зависимости от задачи:

• Массовая оцифровка договоров — PaddleOCR 4.5. Скорость + точность = золотая середина. На CPU обрабатывает до 120 страниц/мин.
• Мобильное приложение — EasyOCR (или её облегчённая версия EasyOCR Lite). Tesseract тоже можно, но он требует статической компиляции.
• Низкое качество сканов — Tesseract после агрессивной предобработки показывает неплохие результаты, но PaddleOCR всё равно лучше.
• Высокая точность на сложном форматировании — советую посмотреть на PaddleOCR-VL в llama.cpp — тот же PaddleOCR, но на трансформерах, с пониманием структуры.

Будущее русского OCR: что изменится к 2027

Уже сейчас видно, что классические OCR-движки уступают место VLM (Vision Language Models). Модели вроде GLM-OCR или Nemotron OCR v2 умеют не только читать символы, но и понимать контекст: нумерованные списки, таблицы, сноски. Для русского языка это особенно важно — окончания осмысленно исправляются на основе грамматики.

Мы протестировали Nemotron OCR v2 на русских документах — он показал CER 3.0%, но на GPU. Зато время обработки 0.5 сек на страницу при батче 8 — отличный кандидат для пайплайнов.

Если вам нужна максимальная точность без железа — подождите полгода. Легковесные VLM-модели подтянутся к open-source. А пока PaddleOCR остаётся королём русских документов.

Ошибки, которые я совершил первым делом

Пара граблей, чтобы вы не наступали:

• Не обновлял языковые данные Tesseract. По умолчанию в Tesseract 5.5 для русского — модель 2022 года. Скачайте свежий rus.traineddata с GitHub — WER падает с 25% до 15%.
• Доверял стандартным датасетам. Классический MNIST не отражает реальность. Наши 500 реальных документов показали другую картину.
• Забывал про регистр. EasyOCR и PaddleOCR по умолчанию выдают lower case. Для паспортов регистр критичен. Пришлось дообучать head с готовым датасетом ФИО.

В итоге — наш внутренний рейтинг: PaddleOCR 4.5 (9/10), EasyOCR 1.7 (7/10), Surya OCR 2.2 (6/10), Tesseract 5.5 (5/10), TrOCR 3.1 (3/10).

Но если ваш документ — рукопись с формулами, прочитайте ту самую статью про рукописный кошмар — там всё станет ясно.

Подписаться на канал