PP-OCRv6 リリース：1.5M から 34.5M パラメータの 50 言語 OCR

PaddlePaddle は、さまざまな実世界シナリオで高精度なテキスト検出と認識を実現するよう設計された PaddleOCR ユニバーサルモデルファミリーの最新世代である PP-OCRv6 をリリースしました。このリリースは、文書、スクリーンショット、多言語画像、産業ラベル向けのスケーラブルなソリューションを提供し、精度と計算効率のバランスを取るために 3 つの異なるモデルティアを提供します。

スケーラブルなモデルティアとパフォーマンス

PP-OCRv6 は、エッジデバイスから高性能サーバまで、さまざまなデプロイ制約に対応するために 3 つのティアに構成されています。ミディアムティアは検出 Hmean が 86.2%、認識精度が 83.2% を達成し、前バージョンの PP-OCRv5_server モデルに比べて検出で +4.6 ポイント、認識で +5.1 ポイントの大幅な改善を示しています。

モデル	モデルサイズ	検出 Hmean	認識精度	典型的な適用シナリオ
PP-OCRv6_tiny	1.5M params	80.6%	73.5%	エッジデバイス、軽量ローカル OCR、レイテンシに敏感なデモ、制約のある環境
PP-OCRv6_small	7.7M params	84.1%	81.3%	モバイル、デスクトップ、バランスの取れた OCR サービス、計算コストが低い多言語 OCR
PP-OCRv6_medium	34.5M params	86.2%	83.2%	精度重視の OCR、サーバ側パイプライン、産業 OCR、文書取り込み、多言語 OCR

アーキテクチャの改善

PP-OCRv6 は、複雑な実世界入力に対するパフォーマンス向上のため、OCR パイプラインの検出段階と認識段階の両方に特定のアーキテクチャ更新を導入しています。

統一バックボーン

このモデルファミリーは、テキスト検出とテキスト認識の両方に PPLCNetV4 を統一バックボーンとして利用しています。これにより、tiny、small、medium の各ティア間でアーキテクチャの一貫性が保たれます。

RepLKFPN によるテキスト検出の強化

小さく密集したテキストや回転テキストといった課題に対処するため、検出モジュールは RepLKFPN にアップグレードされました。これは、マルチスケールテキスト検出を向上させつつ推論効率を維持するよう設計された、軽量な大カーネル特徴ピラミッドネットワークです。

EncoderWithLightSVTR による認識の改善

認識段階では、PP-OCRv6 は EncoderWithLightSVTR を採用しています。このアーキテクチャはローカルコンテキストモデリングとグローバルアテンションを組み合わせており、多言語テキスト、画面テキスト、ノイズの多い画像領域など、難しいテキストクロップに対する認識品質を向上させます。

多言語サポートとデプロイ

PP-OCRv6 は、small と medium のティアで統一された多言語サポートを提供します。これらのモデルは 50 言語 に対応しており、簡体字中国語、繁体字中国語、英語、日本語、そして 46 のラテン文字系言語を含むため、複数の専門モデルを用意する必要が減ります。

推論バックエンド

開発者は PaddleOCR ライブラリを通じて、複数の推論バックエンドを使用して PP-OCRv6 を統合できます：

• Transformers: Hugging Face / PyTorch 向けの推論パス。
• ONNX Runtime: ONNX ベースのデプロイ環境向けのポータブルパス。
• Paddle Inference: ネイティブな Paddle 推論フォーマット。

モデル資産は Hugging Face Hub で複数の形式で提供されており、safetensors、Paddle inference models、ONNX models が含まれます。