В этом материале
Оценку OCR на тысячу страниц строят по репрезентативной выборке и всему конвейеру, отдельно показывая ошибки и неопределённость.
GPU-сервер для OCR тысячи страниц PDF оценивают по измеренной выборке документов, полному конвейеру и доле повторной обработки. Умножение лучшего времени одной чистой страницы на тысячу обычно не учитывает сложную вёрстку, подготовку изображений и очередь.
Число 1000 здесь задаёт размер планируемого задания, а не опубликованный результат оборудования. До теста нельзя достоверно назвать скорость или стоимость без профиля документов и требований к выходному формату.
Разберите состав PDF
Сначала выясните, есть ли текстовый слой, сколько страниц требуют распознавания и встречаются ли разные разрешения. Сохраните число повреждённых, пустых и защищённых файлов как отдельные состояния. Их нельзя молча исключить, объявляя весь архив обработанным.
Руководство PaddleOCR описывает входные данные и параметры конвейера. Перед измерением нужно определить выбранный движок, устройство и включённые компоненты: обычный OCR и разбор сложной структуры выполняют разную работу.
Соберите выборку по типам
| Тип страниц | Что включить в выборку | Главный контроль |
|---|---|---|
| Чистый текст | Типичное разрешение | Ошибки символов |
| Таблицы | Обычные и плотные | Порядок ячеек |
| Поворот и перекос | Реальные отклонения | Качество подготовки |
| Плохой скан | Шум и слабый контраст | Неуспешные поля |
| Сложная вёрстка | Колонки и подписи | Порядок чтения |
Доли типов берут из архива. Если трудные страницы редки, их всё равно полезно выделить отдельной группой, чтобы среднее время не скрыло потенциально неограниченные повторы.
Измерьте полный проход
Отметьте чтение PDF, рендеринг, распознавание и запись результата. Снимите общую длительность и пик RAM, VRAM и временного диска. Запишите количество параллельных страниц. Проверка только GPU-этапа не отвечает на вопрос, когда пользователь получит готовый документ.
FAQ Tesseract описывает возможность поискового PDF. Это отдельное требование к результату: текстовый файл и PDF с распознанным слоем не стоит считать одинаковым выходом при сравнении процессов.
Рассчитайте условную оценку
Для примера предположим, что 800 обычных страниц требуют по две секунды, а 200 сложных — по шесть секунд в последовательном измерении. Расчётная работа составляет 2800 секунд до добавления общих накладных расходов и повторов. Это вымышленные числа для объяснения формулы.
Если обработка параллельная, измерьте полный пакет отдельно. Деление последовательной суммы на число процессов не доказывает фактическую длительность: ресурсы CPU, диск и GPU могут совместно ограничивать очередь. Для отчёта лучше показать диапазон и основания оценки.
Для контроля полноты полезно сформировать список страниц до запуска и сопоставить его с реестром результата. Повторная обработка должна сохранять идентификатор оригинала и историю попыток, чтобы один проблемный лист не создавал несколько неразличимых выходных файлов.
Сохраните проверяемый итог
Реестр результата должен содержать исходную страницу, статус, местоположение выхода и причину повтора. Завершённым архив называют после сверки количества входов и выходов, а не по пустой очереди процесса. Отдельно сохраните страницы, требующие ручного решения.
Для подготовки полезны планирование мощности инференса и работа с хранением на сервере.