OCR-Modelle: Tesseract, PaddleOCR-VL oder ein Dokument-VLM?
Automatische Übersetzung
Dieser Artikel wurde automatisch aus der englischen Originalversion übersetzt.
Wählen Sie ein System für optische Zeichenerkennung (OCR) anhand des Dokuments und der benötigten Ausgabe. Saubere Druckseiten, Formulare, Tabellen, Belege, Forschungsarbeiten, Screenshots und handschriftliche Inhalte stellen unterschiedliche Anforderungen. Entscheiden Sie zunächst, ob Sie Rohtext, Seitenlayout, strukturierte Felder oder vom Dokument gestützte Antworten benötigen.
Prüfen Sie bei einem PDF zunächst, ob der eingebettete Text und das Layout verwendbar sind. Extrahieren Sie beides direkt, wenn es für die Aufgabe ausreicht. Testen Sie klassisches OCR wie Tesseract für saubere Scans gedruckter Seiten. Testen Sie PaddleOCR-VL 1.6 für selbst gehostete Verarbeitung von Layout, Text, Tabellen und Formeln. Testen Sie dots.mocr für strukturierte Grafiken. Ein allgemeines Vision-Language Model (VLM) kommt ebenfalls infrage, wenn die Aufgabe auch visuelle Fragenbeantwortung erfordert.
Vergleichen Sie Kandidaten anhand Ihrer Dokumenttypen, benötigten Felder, Datenkontrollen, Latency und Kosten.
Entscheidungstabelle
| Dokumentproblem | Ausgangspunkt | Warum |
|---|---|---|
| PDF mit verwendbarem eingebettetem Text | Extraktion von PDF-Text und -Layout | Vermeidet die Erkennung von Text, der bereits in der Datei gespeichert ist. |
| Saubere gedruckte Scans in großem Volumen | Klassische OCR-Pipeline | Günstig, vorhersehbar, CPU-freundlich und einfach per Batch zu verarbeiten. |
| Komplexe PDFs mit Tabellen, Formeln und Abbildungen | PaddleOCR-VL 1.6 oder ein gehostetes Dokument-VLM | Testen Sie einen spezialisierten Parser auf denselben Seiten gegen ein allgemeines Model. |
| Extraktion strukturierter Felder | VLM mit Structured Output oder ein Domain-Parser | Das Ausgabeschema ist ebenso wichtig wie die Texterkennung. |
| Datenschutzsensible Dokumente | Selbst gehostetes OCR oder offenes VLM | Die Dokumente verbleiben in Ihrer Umgebung. |
| Rekonstruktion des Layouts | PaddleOCR-VL, dots.mocr oder ein anderer Layout-Parser | Reiner OCR-Text verliert Lesereihenfolge, Tabellen, Bildunterschriften und Abschnitte. |
| Workflows mit menschlicher Prüfung | OCR mit Konfidenzwert und Herkunftsnachweisen für Spans | Prüfer benötigen Nachvollziehbarkeit für Seite, Begrenzungsrechteck, Feld und Quelle. |
OCR und Dokumentverständnis
Traditionelles OCR extrahiert Zeichen. Dokumentenverarbeitung mit AI benötigt zusätzlich Layout und Bedeutung. Tabellenzellen, Checkboxen, Signaturen, Bildunterschriften und Fußnoten können allesamt Text enthalten, doch ihre Beziehungen gehen verloren, wenn man sie zu einem einzelnen String reduziert. Dieser Verlust beeinträchtigt anschließend die Feldextraktion und die Fragenbeantwortung.
Vision-Language Models können Felder extrahieren und Fragen zu Diagrammen oder Tabellen beantworten. Ihre Ausgabe muss dennoch anhand der Seite geprüft werden. PaddleOCR-VL 1.6 kombiniert Layoutanalyse mit einer 0.9B-VLM-Komponente, während dots.mocr auch strukturierte Grafiken parst. Vergleichen Sie diese Pipelines mit klassischem OCR auf den Seiten und Feldern, die Sie benötigen; ein größeres Model ist kein Grund, einen funktionierenden Extraktor zu ersetzen.
Klassen von Models und Tools
| Klasse | Stärke | Schwäche | Verwenden Sie es, wenn |
|---|---|---|---|
| Tesseract-artiges OCR | Kosten, Transparenz, Offline-Ausführung | Schwach bei Handschrift, Layout, verrauschten Scans und komplexen Dokumenten | Der Eingabetext besteht aus sauberem gedrucktem Text und die Aufgabe ist Textextraktion. |
| Dokument-VLM in der Cloud | Verarbeitet komplexe PDFs, Diagramme, Tabellen und multimodalen Kontext | Kosten, Latency, Datenresidenz, API-Abhängigkeit | Sie hochwertige Extraktion oder Fragenbeantwortung zu unterschiedlichen Dokumenten benötigen. |
| PaddleOCR-VL 1.6 | Text, Tabellen, Formeln, Diagramme, Layout und 109 Sprachen | Die vollständige Pipeline ist komplexer als die VLM-Komponente allein | Sie einen gepflegten selbst gehosteten Dokumentparser benötigen. |
| dots.mocr | Dokumenttext plus Parsing strukturierter Grafiken | Ressourcenbedarf für Serving eines 3B-Models und aufgabenabhängige Ausgabequalität | Diagramme, Abbildungen oder eine SVG-orientierte Rekonstruktion relevant sind. |
| Offenes allgemeines VLM | Datenkontrolle, Anpassbarkeit und breiteres visuelles Reasoning | Komplexität des Servings und Unterschiede zwischen Models | Sie einen Betrieb in der eigenen Umgebung über die Dokumentanalyse hinaus benötigen. |
| Layout-Parser | Begrenzungsrechtecke, Lesereihenfolge, Dokumentstruktur | Benötigt meist Orchestration mit OCR oder VLM | Layouttreue wichtig ist. |
| Hybride Pipeline | Kostenkontrolle und Routing | Mehr Engineering | Sie einfache Seiten an günstiges OCR und schwierige Seiten an VLMs routen können. |
Praktische Architektur
Für produktive Dokumentenverarbeitung mit AI würde ich standardmäßig nicht jede Seite an das teuerste Model senden.
- Untersuchen Sie die Datei und erfassen Sie Metadaten auf Seitenebene. Prüfen Sie bei PDFs, ob der vorhandene Text und die Lesereihenfolge für die Aufgabe ausreichen.
- Extrahieren Sie verwendbaren eingebetteten Text direkt. PyMuPDF empfiehlt, vor der Ausführung von OCR auf einer Seite zu prüfen, ob OCR erforderlich ist.
- Routen Sie saubere gedruckte Scans ohne verwendbaren Text an klassisches OCR.
- Routen Sie Tabellen, Seiten mit niedrigem Konfidenzwert, handschriftliche Bereiche und komplexe Layouts an ein VLM oder einen spezialisierten Parser.
- Fordern Sie für Felder Structured Output an und prüfen Sie dann die Werte anhand der Seite. Ein Schema kann die Feldstruktur erzwingen, ohne zu beweisen, dass ein Wert im Dokument vorkommt.
- Speichern Sie Quell-Spans, Seitennummern, verfügbare Begrenzungsrechtecke und die Model-Version.
- Führen Sie menschliche Prüfungen stichprobenartig anhand des Konfidenzwerts, Dokumenttyp und Auswirkungen auf nachgelagerte Systeme durch.
Fügen Sie Routing hinzu, wenn Tests zeigen, dass unterschiedliche Seitentypen unterschiedliche Methoden benötigen. Prüfen Sie, dass der Router schwierige Seiten nicht auf einen Pfad schickt, auf dem erforderliche Felder verloren gehen.
Evaluations-Checkliste
Bewerten Sie OCR nicht ausschließlich anhand der Zeichenfehlerrate. Für Dokumentenverarbeitung mit AI sollten Sie Folgendes erfassen:
- Genauigkeit auf Feldebene für extrahierte Felder
- Erhalt von Tabellenzellen
- Genauigkeit der Lesereihenfolge
- Seitenabdeckung
- Rate nicht durch das Dokument belegter Felder
- Belege durch Zitate oder Spans für extrahierte Aussagen
- Rate menschlicher Korrekturen
- Kosten pro Seite und Latency pro Dokument
Weiterführende Lektüre
- OCR im Jahr 2026 behandelt Pipelines, VLMs, Layout, Evaluation und Kosten.
- Metriken zur RAG-Evaluation ist relevant, wenn OCR ein Retrieval-System speist.