indra-ocr vs Tesseract vs PaddleOCR：OmniParseBench 2937页基准测试与吞吐量完整对比

本文对 indra-ocr、Tesseract 和 PaddleOCR 三大 OCR 工具做一次完整对比：精度与速度。indra-ocr 是一款只有约 100 万参数的轻量级 CPU OCR 模型，能把 PDF 和图片转换为 Markdown、纯文本或带边框坐标的 JSON，在 32 核 CPU 上最高可达 49.4 页/秒，无需 GPU、不依赖 PyTorch。下面基于 OmniParseBench 全部 2,937 页测试数据，看看三者到底差多少。

三款 OCR 工具速览

工具	定位	模型规模	单页中位耗时（x86, 4 核）
indra-ocr	轻量极速 CPU OCR	约 1M 参数，ONNX 模型约 18 MB	228 ms
Tesseract 5	经典开源 OCR，输出纯文本行	英文模型	5,496 ms
PaddleOCR PP-StructureV3	完整文档结构流水线（版面+表格+公式）	多模型组合	40,958 ms

可以看到量级差异：同样是纯 CPU 环境，indra-ocr 处理一页只需约 0.23 秒，而 PaddleOCR 的完整结构流水线要 40 秒以上。

OmniParseBench 2937 页基准：精度对比

OmniParseBench 包含 2,937 页文档、16,288 个通过/失败测试，涵盖文本、表格、版面三大维度。测试在同一台 x86 机器上运行：每个引擎 4 vCPU、逐页处理、相同页面、相同评分器、默认配置，保证公平。

引擎	综合得分	文本	表格	版面
indra-ocr（auto 模式）	62.1	41.3	56.4	88.6
indra-ocr --math 模式	66.8	57.5	54.8	88.1
PaddleOCR PP-StructureV3	58.4	55.6	47.8	71.7
PaddleOCR PP-OCRv6 small（仅文本）	–	35.8	0.0	–
Tesseract 5（英文模型）	–	19.3	0.0	–

几个关键结论：

• 综合得分：indra-ocr 默认模式 62.1 分，超过 PaddleOCR 完整流水线（58.4）；开启 --math 后达 66.8 分，文本单项也反超（57.5 vs 55.6）
• 版面识别：88.6 分遥遥领先，PaddleOCR 为 71.7，Tesseract 和 PP-OCR 文本模型根本不输出版面信息
• 表格：Tesseract 和 PP-OCR 文本模型只能输出文本行，表格得分为 0
• 中文测试（136 项）：indra-ocr 64.7 分，与 PP-OCRv5 移动端中文模型（65.4）基本持平，PP-StructureV3 为 68.4

CPU 吞吐量完整对比：每秒 49.4 页

吞吐量测试同样使用 OmniParseBench 的 300 页样本，同一台 AMD EPYC 机器、无 GPU、纯 OCR 模式，每个核一个单线程 worker 进程：

引擎	4 核	8 核	16 核	32 核
indra-ocr	7.3 页/s	14.2	27.2	49.4
PaddleOCR PP-OCRv6 small	0.65	1.24	2.42	4.28
Tesseract 5	0.78	1.37	2.27	2.92
PaddleOCR PP-StructureV3	≤ 0.022	≤ 0.044	≤ 0.089	≤ 0.18

32 核下，indra-ocr 是 PP-OCR 文本模型的 11.5 倍、Tesseract 的 16.9 倍、PP-StructureV3 的约 280 倍。 单页延迟方面，4 核 vCPU 上约 230 ms/页，比 Tesseract 和 PaddleOCR 快 12–24 倍。

还有一个容易被忽略的优势：indra-ocr 对数字 PDF 会直接读取文本层（支持任意文字系统），只对缺失部分做 OCR，--mode 参数可在 auto（混合）、ocr（强制识别）、text（仅文本层）之间切换。

真实文档识别效果

下面两张图是 indra-ocr 在 OmniParseBench 真实页面上的输出：彩色框是带标签的版面块（标题、列表、表格、图注等），淡蓝色框是文本行，全部由 JSON 输出直接绘制。

↑ 扫描的信件是上下颠倒的：indra-ocr 自动把页面转正，按正确阅读顺序识别双栏内容，并找出各标题位置。

↑ 含两个表格的期刊页面，表格以 HTML 形式输出并保留图注。

快速上手 indra-ocr：一条命令安装

pip install indra-ocr

要求 Python 3.10+，自动安装 ONNX Runtime、OpenCV 和 pypdfium2，不装 PyTorch。首次运行会从模型仓库下载约 18 MB 的模型并缓存。常用命令：

indra-ocr paper.pdf                    # PDF 转 Markdown 输出到终端
indra-ocr *.pdf --out results/         # 批量处理，每个输入一个 .md，用满所有核心
indra-ocr scan.png --format json       # 输出文本行、边框、版面块和置信度
indra-ocr paper.pdf --math             # 公式输出为 LaTeX

Python 调用也很简单：indra_ocr.load() 加载引擎，convert 逐页转换，每页返回 markdown、lines（带坐标和置信度）、blocks（按阅读顺序的版面块）和 timings。需要可视化对比时，indra-ocr-viewer 提供本地 Web 查看器，可叠显识别结果并直接与 Tesseract 对比。

模型文件说明（本仓库内容即为一套完整 ONNX 模型）：

文件	作用
rec.onnx	主识别器，约 1M 参数，负责拉丁文字
rec_cjk.onnx	中文识别器，含汉字的内容自动路由到此
det.onnx	文本行检测
orient.onnx	页面方向判定（自动转正倒置页面）
order.onnx	阅读顺序排序
script.onnx	文字系统分类
mathcls.onnx、math_enc.onnx	公式模式（--math）分类与编码器
config.json	模型清单与框架声明（onnxruntime）

已知局限，先了解再选型 ⚠️

indra-ocr 为「干净印刷体 + 极速」而设计，以下场景不适合：

• 复杂表格：合并单元格、跨行文本、嵌套表头、无线框表格，单元格可能错位
• 手写体：不支持（OmniParseBench 手写测试约 8%）
• OCR 列表之外的文字系统：扫描/图片只支持拉丁、西里尔、希腊、天城文、孟加拉文和中文；阿拉伯文、日文假名、韩文等只能通过数字 PDF 的文本层读取
• 老旧褪色扫描件：低质量老扫描准确率仅约 20%

另外数学公式默认输出为纯文本（--math 开启后单项得分从 14.3 提升到 56.5，但整页耗时会增加约 30–35%），也不支持竖排文字。

如何选择：选型建议清单

你的场景	推荐
大批量干净印刷文档、纯 CPU 环境、要求秒级吞吐	✅ indra-ocr（本仓库模型）
PDF 批量转 Markdown/JSON 并需要版面块和阅读顺序	✅ indra-ocr
遗留脚本、对精度要求不高、只想跑个纯文本行	Tesseract
复杂文档高精度解析（复杂表格、公式、印章）、可接受分钟级耗时	PaddleOCR PP-StructureV3
手写字迹、严重退化扫描件	以上三款都不理想，建议使用专门的大规模 OCR 服务

一句话总结：在 CPU 环境处理干净印刷体文档，indra-ocr 以 200 倍于 PaddleOCR 完整流水线的速度跑出了更高的综合得分（62.1 vs 58.4），是目前「速度 × 精度」性价比最突出的选择；追求极限结构精度且不在乎耗时，再考虑 PaddleOCR。

更多细节可参阅项目说明 README.md，完整的 CLI 参数、Python API 和基准复现步骤（bench/opb_indra.py）均有文档。