PaddleOCR 3.5 リリースノート / 新機能

PaddleOCR 3.5 は、サポートされた OCR および文書解析モデル向けに Hugging Face Transformers を推論バックエンドとして使用できるようにします。このアップデートにより、開発者は RAG や Document AI アプリケーションなど、Hugging Face 中心の環境への統合摩擦を低減しながら PaddleOCR の機能を組み込むことが可能になります。

推論バックエンドの柔軟性

PaddleOCR 3.5 は、engine パラメータでバックエンドを選択できる柔軟な推論エンジンインターフェースを導入しました。engine="transformers" を設定することで、サポートされたモデルを Transformers ライブラリ上で実行できます。

Transformers バックエンドはオプションとなりますが、PaddleOCR はこれらのタスクのパイプライン管理を引き続き行うため、開発者が内部コンポーネントを手動で呼び出す必要はありません。dtype、デバイス配置、アテンション実装など、バックエンド固有のオプションは engine_config パラメータで設定できます。

PaddleOCR 3.5 アーキテクチャスタック

層 説明 例
Application layer OCR と文書解析の出力を利用するアプリケーション RAG, agents, Document AI
Model layer OCR と文書解析の機能 PP-OCRv5, PaddleOCR-VL 1.5
Inference backend layer サポートされているモデルを実行するためのランタイム Paddle static graph, Paddle dynamic graph, Transformers

主な機能とサポートされているモデル

このリリースは新しいモデルアーキテクチャではなく、推論バックエンド層に焦点を当てています。PaddleOCR は引き続き高性能な OCR および文書解析モデルシリーズを提供します。主なシリーズは以下の通りです。

  • PP-OCRv5: OCR モデルシリーズです。
  • PaddleOCR-VL 1.5: 文書解析モデルシリーズです。

これらのモデルは、Transformers バックエンドを使用して実行でき、モデルのロード、実験、デプロイを PyTorch / Transformers インフラストラクチャにより適合させることができます。

実装とクイックスタート

Transformers バックエンドを使用するには、paddleocr==3.5.0、paddlex==3.5.2、transformers>=5.4.0 をインストールし、対応する PyTorch ビルドを用意する必要があります。

コマンドラインインターフェース (CLI)

paddleocr ocr \
  -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png \
  --device gpu:0 \
  --engine transformers

Python API

from paddleocr import PaddleOCR

pipeline = PaddleOCR(
    device="gpu:0",
    engine="transformers",
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False,
    engine_config={
        "dtype": "float32",
    },
)

results = pipeline.predict(
    "https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png"
)

開発者は engine_config を通じて dtype（例: bfloat16）、device_type、device_id、attn_implementation（例: sdpa）などのパラメータでパフォーマンスをさらに調整できます。

Transformers バックエンドを使用すべき時

Transformers バックエンドは、既に PyTorch / Transformers インフラストラクチャでモデルアーティファクトの管理やデプロイを行っているチームに推奨されます。より慣れ親しんだ開発体験と Hub 互換のモデル検索が可能です。

ただし、最大の OCR または文書解析スループットを重視するユーザーにとっては、デフォルトの paddle_static バックエンドが依然として推奨されます。本リリースは既存バックエンドの置き換えではなく、柔軟性を提供するものです。

リソース

Sources