如何在Python中为Pytesseract限制线程数以优化字符识别精度

问题背景 #

使用Pytesseract调用Tesseract v5.0.1时，同一图片在两台Windows设备上出现明显差异：

• AMD FX-8320（4核8线程）台式机：识别耗时4秒，精度较低
• Intel Core m3-7Y30（2核4线程）Surface Pro：识别耗时24秒，精度较高

推测台式机因多线程并行导致精度下降，尝试通过设置环境变量限制线程数（如下代码）但无效果，耗时仍为4秒：

import os
os.environ["OMP_NUM_THREADS"]= '1'
os.environ["OMP_THREAD_LIMIT"] = '1'
os.environ["MKL_NUM_THREADS"] = '1'
os.environ["NUMEXPR_NUM_THREADS"] = '1'
os.environ["VECLIB_MAXIMUM_THREADS"] = '1'
os.environ["PAPERLESS_AVX2_AVAILABLE"]="false"
os.environ["OCR_THREADS"] = '1'

有效线程限制方法 #

Tesseract v4及以上版本提供了官方的线程控制参数--threads，这是控制并行线程数的直接方式，而非依赖通用的OMP/MKL环境变量。通过Pytesseract传递该参数即可生效：

import pytesseract
from PIL import Image

# 配置线程数为1，可根据需求调整
custom_config = r'--threads 1'
# 加载目标图片
image = Image.open("target_image.png")
# 执行识别
result_text = pytesseract.image_to_string(image, config=custom_config)

设置后可观察耗时变化（应接近Surface Pro的处理时长），同时验证识别精度是否提升。

其他可能影响精度的因素 #

若限制线程后精度仍未改善，需排查以下点：

• 引擎与分割模式：两台设备是否使用相同的--oem（引擎模式）和--psm（页面分割模式）参数。例如--oem 3 --psm 6是通用默认值，不同模式会直接影响识别逻辑。
• 图像预处理：是否对图片进行了相同的预处理（如灰度化、阈值调整、降噪、缩放）。预处理是影响OCR精度的关键环节，建议统一预处理步骤。
• 训练数据一致性：两台设备的Tesseract是否安装了相同的语言包、自定义训练数据，训练数据差异会直接导致识别精度波动。
• CPU指令集差异：Intel m3-7Y30支持AVX2指令集，而AMD FX-8320不支持。可尝试在台式机上强制Tesseract禁用AVX2（通过编译参数或官方预编译版本），验证是否因指令集优化导致的精度差异。

内容的提问来源于stack exchange，提问作者Matt25