tesseract_ocr

Tesseract OCR es el motor OCR open-source más maduro, mantenido por Google. Aunque menos preciso que PaddleOCR/EasyOCR en documentos complejos, es extremadamente rápido y ligero como tercer nivel de fallback.

When to use

Usar en el ocr_agent como tercer motor de fallback cuando PaddleOCR y EasyOCR fallan o no están disponibles. Útil en modo de degradación cuando los recursos GPU son limitados.

Instructions

1. Instalar: apt install tesseract-ocr tesseract-ocr-spa y pip install pytesseract.
2. Configurar: pytesseract.pytesseract.tesseract_cmd = '/usr/bin/tesseract'.
3. Ejecutar OCR: text = pytesseract.image_to_string(image, lang='spa+eng').
4. Para bounding boxes: data = pytesseract.image_to_data(image, output_type=Output.DICT).
5. Pre-procesar imagen: binarizar con Otsu, aplicar deskew antes del OCR.
6. Usar PSM 6 para bloques de texto uniforme: --psm 6.
7. Filtrar resultados con confianza del campo conf > 60.

Notes

• Tesseract requiere imágenes bien preprocesadas; sin CLAHE/sharpening los resultados son pobres.
• Instalar datos de idioma adicionales: tesseract-ocr-fra, tesseract-ocr-deu, etc.
• No usar para MRZ; es menos preciso que PaddleOCR en fuentes monoespaciadas.