PaddlePaddle/PaddleOCR

PaddleOCR – オープンソースOCRおよびドキュメントAIツールキット

何ができるか

• 画像やPDFページを、大規模言語モデル（LLM）に直接入力可能な機械可読テキスト、表、数式、構造化されたMarkdown/JSONに変換します。
• 主に2つのモデルファミリーを提供します：
  1. PP-OCRv6 – 50言語を1つのモデルで扱える多言語シーンテキスト認識器（CPU上で100%以上の高速化、高い精度）。
  2. PaddleOCR-VL / PP-StructureV3 – ドキュメント全体の解析（テキスト、表、数式、印影、チャート）に適した軽量な視覚言語モデル。出力はJSONまたはMarkdown形式。

なぜ重要なのか

• OCRは、検索拡張生成（RAG）パイプラインの第一歩です。LLMが文書を理解・推論するには、クリーンで構造化されたテキストが必要です。
• PaddleOCRは、OmniDocBenchなどのベンチマークで最先端の精度を達成しながら、モデルサイズを非常に小さく（約0.9Bパラメータ）保ち、CPU、GPU、XPU、NPUなど幅広いハードウェアをサポートしています。
• Dify、RAGFlow、Cherry Studioなどの人気AIエージェントプラットフォームと深く統合されており、LLM駆動エージェント構築のための「データエンジン」として使いやすいです。

主な機能（READMEに記載）

• 多言語対応 – 100以上の言語をサポート。中国語、英語、日本語、46のラテン文字系言語を1つの統合モデルで扱います。
• 構造意識型変換 – 各テキストボックス、表セルなどの座標を抽出し、後続のレイアウト意識処理を可能にします。
• 高速推論 – CPUで最大5倍、Apple M4で6倍の高速化。中規模モデルでA100 GPUで0.2秒未満の推論時間。
• デプロイの柔軟性 – Linux、Windows、macOSに対応。Paddleの静的/動的グラフ、Transformers、ONNX、OpenVINO、TensorRT、ブラウザSDK（PaddleOCR.js）もサポート。
• ワンクリッククラウド/エッジ – 事前ビルド済みDockerイメージ、vLLM互換のHPD-Parsingモデルサーバー、HuggingFace/ModelScopeでのモデルミラーを提供。
• 拡張可能なパイプライン – PDF、Word/Excel/PowerPointファイルをMarkdownに変換可能。DOCXへのエクスポートも可能。チャートから表への変換ユーティリティも搭載。

一般的な使用フロー

1. pip install paddleocr（またはDockerイメージを取得）でインストール。
2. 事前準備済みのパイプラインを実行。例：paddleocr --image mydoc.pngで素早いOCR、Python APIでPP-StructureV3を呼び出して完全なドキュメント解析。
3. JSON/Markdown出力を、RAGパイプライン、LLMのファインチューニング、AIエージェントへの入力として利用。

誰が使っているか

• GitHub上6,000以上のプロジェクトがPaddleOCRに依存しています。
• 商用RAGプラットフォーム（Dify、RAGFlow）やAIスタジオサービスでも採用されています。

さらに学ぶには

• 公式サイト＆デモ：https://www.paddleocr.com
• HuggingFace上のモデルカード（例：PaddlePaddle/PaddleOCR-VL-1.6）
• READMEに各パイプライン（OCR、StructureV3、HPD-Parsingなど）の詳細ドキュメントへのリンクがあります。

---

すべての記述はリポジトリのREADMEから直接引用。追加の主張は一切加えていません。