PaddleOCR یا Tesseract برای فارسی؛ خطای نویسه ۹٫۶٪ در برابر ۱۷٫۹٪

برای آرشیوی با انواع صفحهٔ فارسی، PaddleOCR نقطهٔ شروع مناسب‌تری است: در آزمون هشت‌صفحه‌ای Runemic با PaddleOCR 3.7.0 و Tesseract 5.3.4، میانگین خطای نویسه به‌ترتیب ۹٫۶٪ و ۱۷٫۹٪ بود. این نتیجه به همان تصویرها و تنظیمات پیش‌فرض آزمون تعلق دارد؛ در صفحهٔ نستعلیق، Tesseract اندکی بهتر عمل کرد و خطای هر دو بالا ماند.

اگر اسناد شما بیشتر نثر چاپی تمیزند، فاصلهٔ دو موتور در صفحه‌های مشابه این آزمون کوچک‌تر از میانگین کلی است. برای آرشیو دارای جدول یا متن آمیختهٔ فارسی و انگلیسی، نتیجه به‌روشنی به سود PaddleOCR تغییر می‌کند. بنابراین نوع صفحه، در کنار امکان اجرا روی CPU یا GPU، مبنای مفیدتری برای انتخاب است.

نتیجهٔ هر هشت صفحه چه می‌گوید؟

در فهرست زیر، عدد اول خطای نویسهٔ PaddleOCR و عدد دوم خطای Tesseract روی همان تصویر است. میانگین گزارش‌شده حاصل جمع‌بندی نتیجهٔ این صفحه‌هاست؛ به همین دلیل، یک صفحهٔ دشوار می‌تواند بر برداشت از کل آزمون اثر زیادی بگذارد.

• نثر امروزی با قلم Vazirmatn: ۰٪ در برابر ۳٫۴٪. هر دو موتور روی این صفحهٔ تمیز به متن مرجع نزدیک شدند.
• نثر امروزی با قلم کتابی Noto Naskh: ۱٫۱٪ در برابر ۱٫۴٪. فاصله آن‌قدر کم است که این نمونه به‌تنهایی برندهٔ عملی را تعیین نمی‌کند.
• غزل حافظ با خط نستعلیق: ۴۷٫۷٪ در برابر ۴۳٫۸٪. Tesseract اندکی جلو افتاد، اما هیچ‌یک خروجی مناسبی برای رونویسی بدون بازبینی نداد.
• جدول دارای رقم‌های فارسی: ۱۶٫۸٪ در برابر ۵۳٫۱٪. بزرگ‌ترین شکاف میان دو موتور در همین صفحه دیده می‌شود.
• نثر کلاسیکِ عکس‌برداری‌شده از گلستان سعدی: ۲٫۷٪ در برابر ۷٫۰٪. این ورودی از نظر شیوهٔ تهیه با صفحه‌های متنیِ ساخته‌شده برای آزمون فرق دارد.
• متن آمیختهٔ فارسی، انگلیسی و عدد: ۲٫۷٪ در برابر ۲۲٫۸٪. سندهای دارای نام لاتین یا شناسه ممکن است رفتاری متفاوت از نثر یک‌زبانه داشته باشند.
• متن ریز شبیه تصویر صفحه‌نمایش: ۵٫۲٪ در برابر ۷٫۵٪. دقت هر دو افت کرد، ولی فاصله به اندازهٔ جدول نبود.
• فرم دارای عنوان و فهرست: ۱٫۰٪ در برابر ۳٫۹٪. PaddleOCR در این چیدمان نیز نویسه‌های کمتری را خطا خواند.

صفحه‌ها از متنِ معلوم تهیه شده‌اند تا خروجی هر موتور با مرجع مقایسه شود؛ نثر امروزی برای آزمون نوشته شده و متن‌های کلاسیک از حافظ و سعدی‌اند. این ترکیب، تفاوت رفتار موتور روی چند نوع صفحه را نشان می‌دهد، اما جای نمونه‌های واقعیِ هر آرشیو را نمی‌گیرد. به‌ویژه نتیجهٔ یک صفحهٔ نستعلیق را نمی‌توان به همهٔ قلم‌ها یا دست‌نوشته‌ها تعمیم داد.

چرا فاصلهٔ خطای نویسه با خطای واژه فرق دارد؟

نرخ خطای نویسه یا CER جایگزینی، حذف و افزودن نویسه را نسبت به متن درست می‌سنجد. در روش این آزمون، شکل‌های عربی و فارسی «ی» و «ک»، رقم‌ها، حرکت‌های کوتاه و نشانه‌های Markdown پیش از امتیازدهی یکسان‌سازی شده‌اند. فاصله و نیم‌فاصله نیز در CER حساب نشده‌اند؛ بنابراین این عدد دربارهٔ دقت بازشناسی نویسه‌هاست، با همان قواعد یکسان‌سازی.

نرخ خطای واژه یا WER به تقسیم متن به واژه‌ها حساس است و در این آزمون فاصله و نیم‌فاصله بر آن اثر دارند. میانگین WER برای PaddleOCR برابر ۲۶٫۶٪ و برای Tesseract برابر ۲۸٫۶٪ گزارش شده است؛ فاصلهٔ این دو بسیار کمتر از فاصلهٔ CER است. اگر هدف، جست‌وجوی عبارت یا تطبیق دقیق نام‌ها باشد، خروجی‌ای که از نظر نویسه خوب به نظر می‌رسد ممکن است هنوز به‌دلیل جدانویسی یا پیوسته‌نویسی برای آن کار کافی نباشد.

برای سندهای دارای رقم، همین یکسان‌سازی نیز مهم است: CER آزمون تفاوت شکل رقم فارسی، عربی و لاتین را خطا نمی‌شمارد. اگر در آرشیو شما شکل نوشتاری رقم باید عیناً حفظ شود، آن نیاز را جدا از امتیاز کلی بررسی کنید. این تمایز برای متن ساده شاید کم‌اهمیت باشد، اما در فرم و جدول می‌تواند بر استفادهٔ بعدی از داده اثر بگذارد.

جدول و چیدمان چه چیزی را از میانگین پنهان می‌کنند؟

برتری PaddleOCR در صفحهٔ جدولی دلیل محکمی برای شروع با آن است، ولی CER فقط متن استخراج‌شده را با مرجع می‌سنجد. این معیار به‌تنهایی نشان نمی‌دهد هر مقدار در ردیف و ستون درست قرار گرفته یا ترتیب خواندن خانه‌ها حفظ شده است. اگر خروجی باید دوباره به دادهٔ جدولی تبدیل شود، خواندن رقم‌ها و بازسازی ساختار دو مسئلهٔ جدا هستند.

راهنمای کیفیت Tesseract دشواری تشخیص دادهٔ جدول بدون بخش‌بندی یا تحلیل چیدمان اختصاصی را توضیح می‌دهد. جداکردن خانه‌ها یا ناحیه‌های جدول پیش از OCR می‌تواند برای Tesseract آزمایش شود، اما نتیجهٔ هشت‌صفحه‌ای بالا حاصل چنین پردازشی نیست. همان راهنما به اثر کجی تصویر، وضوح و پس‌زمینهٔ ناهموار نیز می‌پردازد؛ در اسکن واقعی، کیفیت ورودی ممکن است نتیجه را تغییر دهد.

صفحهٔ فرم هم یادآور تفاوت متن و ساختار است. خطای نویسهٔ پایین می‌گوید محتوای نوشتاری خوب بازشناسی شده، اما رابطهٔ عنوان با فیلد یا ترتیب بخش‌ها را تضمین نمی‌کند. برای آرشیوی که فقط متن قابل‌جست‌وجو می‌خواهد، این محدودیت شاید پذیرفتنی باشد؛ برای استخراج رکوردهای منظم، باید ساختار خروجی را نیز سنجید.

مدل فارسی و تنظیم اجرا چگونه بر انتخاب اثر دارند؟

Tesseract برای فارسی دادهٔ زبانی رسمی دارد: فهرست داده‌های Tesseract فایل fas.traineddata را ثبت می‌کند. در همین مستندات آمده است که فایل‌های tessdata_best و tessdata_fast فقط با موتور LSTM و گزینهٔ --oem 1 کار می‌کنند. پس هنگام مقایسهٔ نتیجه‌ها باید مجموعهٔ داده و حالت موتور را مشخص نگه داشت؛ جابه‌جایی فایل زبانی، همان پیکربندی آزمون را بازتولید نمی‌کند.

در PaddleOCR، مستندات چندزبانهٔ PP-OCRv5 فارسی را با کد fa در میان زبان‌های مدل arabic_PP-OCRv5_mobile_rec فهرست می‌کند. این اطلاعات مسیر انتخاب مدل فارسی را روشن می‌کند، اما عدد بنچمارک به نسخه و تنظیمات اجرای همان آزمون تعلق دارد؛ صرف پشتیبانی مدل از فارسی، آن میزان خطا را برای سند دیگری وعده نمی‌دهد.

برای صفحه‌های آمیخته، راهنمای خط فرمان Tesseract تعیین چند زبان با ‎-l‎ را نشان می‌دهد. ترکیب fas و eng برای اسناد فارسی و انگلیسی گزینه‌ای قابل‌آزمایش است؛ ترتیب زبان‌ها هم می‌تواند خروجی و زمان اجرا را تغییر دهد. آزمون هشت‌صفحه‌ای با تنظیمات پیش‌فرض انجام شده و میزان بهبود احتمالی این تغییر را اندازه نگرفته است.

برای CPU، GPU، جدول یا نستعلیق کدام مسیر مناسب‌تر است؟

• اگر مجموعه متنوع است و دقت متن اولویت دارد، PaddleOCR انتخاب اولیهٔ معقول‌تری است. آزمون، امکان اجرای آن روی CPU یا GPU را ذکر می‌کند، اما مقایسهٔ زمان اجرا ارائه نمی‌دهد.
• اگر فقط CPU دارید و بیشتر صفحه‌ها نثر چاپی ساده‌اند، هر دو موتور ارزش مقایسه روی نمونه‌های واقعی شما را دارند. نتیجهٔ نزدیکِ صفحهٔ کتابی نشان می‌دهد اختلاف میانگین لزوماً در این زیرمجموعه تکرار نمی‌شود.
• اگر جدول بخش مهم آرشیو است، PaddleOCR را برای بازشناسی متن در اولویت بگذارید و جایگاه خانه‌ها را جدا بسنجید. بخش‌بندی جدول پیش از اجرای Tesseract مسیر دیگری است که باید مستقل ارزیابی شود.
• اگر نستعلیق غالب است، خروجی هیچ‌یک را بی‌واسطه نسخهٔ نهایی ندانید. Tesseract در تنها نمونهٔ نستعلیق آزمون اندکی خطای نویسهٔ کمتری داشت، ولی خطای هر دو بازبینی انسانی را لازم می‌کند.
• اگر GPU دارید، PaddleOCR امکان استفاده از آن را فراهم می‌کند. سود سرعتی این انتخاب در بنچمارک اندازه‌گیری نشده و به سخت‌افزار، حجم صفحه‌ها و پیکربندی اجرا وابسته است.

برای انتخاب نهایی، وزن هر نوع صفحه در آرشیو اهمیت دارد. مجموعه‌ای با جدول‌های فراوان ممکن است از برتری PaddleOCR سود بیشتری ببرد؛ مجموعه‌ای از نثر چاپی تمیز می‌تواند فاصلهٔ عملی کوچک‌تری نشان دهد. چند صفحهٔ مرجع از هر گروه، همراه با سنجش جداگانهٔ CER، WER و ساختار جدول، مبنای تصمیمی متناسب با همان اسناد فراهم می‌کند.

بیشتر بخوانید:

• PostgreSQL یا MySQL برای JSON؛ نوع ایندکس نتیجه را دو برابر می‌کند
• GPTZero یا Originality.ai؛ خطای مثبت کاذب انتخاب را عوض می‌کند
• RAG را درست ارزیابی کنید؛ یک امتیاز خوب می‌تواند خطای بازیابی را پنهان کند