Modèles OCR : Tesseract, PaddleOCR-VL ou un VLM documentaire ?
Traduction automatique
Cet article a été traduit automatiquement depuis la version originale en anglais.
Choisissez un système de reconnaissance optique de caractères (OCR) en fonction du document et du résultat attendu. Les pages imprimées propres, les formulaires, les tableaux, les reçus, les articles de recherche, les captures d’écran et les documents manuscrits posent des problèmes différents. Commencez par déterminer si vous avez besoin de texte brut, de la mise en page, de champs structurés ou de réponses étayées par le document.
Pour un PDF, vérifiez d’abord si son texte intégré et sa mise en page sont exploitables. Extrayez-les directement s’ils répondent au besoin. Testez un OCR classique comme Tesseract pour les scans propres de pages imprimées. Testez PaddleOCR-VL 1.6 pour traiter la mise en page, le texte, les tableaux et les formules sur votre propre infrastructure. Testez dots.mocr pour les graphiques structurés. Un modèle vision-langage (VLM) généraliste est un autre candidat lorsque la tâche exige aussi de répondre à des questions visuelles.
Comparez les candidats selon vos types de documents, les champs requis, les contrôles des données, la latence et le coût.
Tableau de décision
| Problème documentaire | Point de départ | Pourquoi |
|---|---|---|
| PDF avec texte intégré exploitable | Extraction du texte et de la mise en page du PDF | Évitez de reconnaître du texte déjà stocké dans le fichier. |
| Scans imprimés propres en grand volume | Pipeline d’OCR classique | Peu coûteux, prévisible, adapté aux CPU et facile à traiter par lots. |
| PDF complexes avec tableaux, formules et figures | PaddleOCR-VL 1.6 ou un VLM documentaire hébergé | Testez un parseur spécialisé et un modèle généraliste sur les mêmes pages. |
| Extraction de champs structurés | VLM avec structured output, ou parseur métier | Le schéma de sortie compte autant que la reconnaissance du texte. |
| Documents sensibles | OCR auto-hébergé ou VLM ouvert | Les documents restent dans votre environnement. |
| Reconstruction de la mise en page | PaddleOCR-VL, dots.mocr ou un autre parseur de mise en page | Le texte OCR brut perd l’ordre de lecture, les tableaux, les légendes et les sections. |
| Processus avec revue humaine | OCR avec score de confiance et provenance des fragments | Les réviseurs ont besoin de la traçabilité de la page, de la boîte, du champ et de la source. |
OCR et compréhension documentaire
L’OCR traditionnel extrait des caractères. L’analyse documentaire avec AI doit également gérer la mise en page et le sens. Les cellules de tableaux, les cases à cocher, les signatures, les légendes et les notes de bas de page peuvent toutes contenir du texte, mais leur aplatissement en une seule chaîne détruit leurs relations. Cette perte compromet ensuite l’extraction de champs et la réponse aux questions.
Les modèles vision-langage peuvent extraire des champs et répondre à des questions sur des diagrammes ou des tableaux. Leurs résultats doivent tout de même être vérifiés sur la page. PaddleOCR-VL 1.6 combine l’analyse de mise en page avec un composant VLM de 0.9B, tandis que dots.mocr analyse aussi les graphiques structurés. Comparez ces pipelines à l’OCR classique sur les pages et les champs dont vous avez besoin ; un modèle plus grand ne justifie pas le remplacement d’un extracteur qui fonctionne.
Catégories de modèles et d’outils
| Catégorie | Point fort | Limite | À utiliser lorsque |
|---|---|---|---|
| OCR de type Tesseract | Coût, transparence, exécution hors ligne | Faible sur l’écriture manuscrite, la mise en page, les scans bruités et les documents aux contenus variés | L’entrée contient du texte imprimé propre et la tâche consiste à extraire du texte. |
| VLM documentaire cloud | Gère les PDF complexes, graphiques, tableaux et contextes multimodaux | Coût, latence, résidence des données, dépendance à une API | Vous avez besoin d’une extraction ou d’un système de réponse aux questions de haute qualité sur des documents variés. |
| PaddleOCR-VL 1.6 | Texte, tableaux, formules, graphiques, mise en page et 109 langues | Le pipeline complet est plus complexe que son seul composant VLM | Vous avez besoin d’un parseur documentaire auto-hébergé et maintenu. |
| dots.mocr | Texte documentaire et analyse de graphiques structurés | Ressources pour le serving d’un modèle de 3B et qualité de sortie dépendante de la tâche | Les graphiques, les figures ou la reconstruction orientée SVG sont importants. |
| VLM généraliste ouvert | Contrôle des données, personnalisation et raisonnement visuel plus large | Complexité du serving et variabilité des modèles | Vous avez besoin d’un auto-hébergement allant au-delà de l’analyse documentaire. |
| Parseur de mise en page | Boîtes, ordre de lecture, structure documentaire | Nécessite généralement une orchestration avec un OCR ou un VLM | La fidélité de la mise en page est importante. |
| Pipeline hybride | Maîtrise des coûts et routage | Ingénierie supplémentaire | Vous pouvez router les pages simples vers un OCR peu coûteux et les pages difficiles vers des VLMs. |
Architecture pratique
Pour une analyse documentaire avec AI en production, je n’enverrais pas chaque page au modèle le plus coûteux par défaut.
- Inspectez le fichier et enregistrez les métadonnées au niveau de la page. Pour les PDF, vérifiez que le texte existant et l’ordre de lecture répondent au besoin.
- Extrayez directement le texte intégré exploitable. PyMuPDF recommande de vérifier si un OCR est nécessaire avant de l’exécuter sur une page.
- Dirigez les scans imprimés propres sans texte exploitable vers un OCR classique.
- Dirigez les tableaux, les pages à faible confiance, les zones manuscrites et les mises en page complexes vers un VLM ou un parseur spécialisé.
- Exigez un structured output pour les champs, puis vérifiez les valeurs sur la page. Un schéma peut imposer la structure des champs sans prouver qu’une valeur figure dans le document.
- Stockez les fragments sources, les numéros de page, les boîtes englobantes lorsqu’elles sont disponibles et la version du modèle.
- Échantillonnez les documents à soumettre à une revue humaine selon la confiance, le type de document et l’impact en aval.
Ajoutez du routage lorsque les tests montrent que différents types de pages nécessitent des méthodes différentes. Vérifiez que le routeur n’envoie pas une page difficile vers un chemin qui perd les champs requis.
Liste de contrôle d’évaluation
N’évaluez pas l’OCR uniquement avec le taux d’erreur caractère. Pour l’analyse documentaire avec AI, suivez notamment :
- la précision au niveau des champs extraits
- la préservation des cellules de tableaux
- la précision de l’ordre de lecture
- la couverture des pages
- le taux de champs non étayés par le document
- la présence de citations ou de fragments justifiant les affirmations extraites
- le taux de correction humaine
- le coût par page et la latence par document
Pour approfondir
- OCR en 2026 présente les pipelines, les VLMs, la mise en page, l’évaluation et les coûts.
- Métriques d’évaluation de RAG est un article pertinent lorsque l’OCR alimente un système de recherche.