PP-OCRv6 发布：支持 50 种语言的 OCR，参数量从 1.5M 到 34.5M
PP-OCRv6 发布：支持 50 种语言的 OCR，参数量从 1.5M 到 34.5M
PaddlePaddle 发布了 PP-OCRv6，这是 PaddleOCR 通用模型系列的最新一代，旨在在各种真实场景中实现高精度的文本检测和识别。此发布为文档、截图、多语言图像和工业标签提供了可扩展的解决方案，并提供了三种不同的模型层级，以在准确性和计算效率之间取得平衡。
可扩展的模型层级与性能
PP-OCRv6 分为三层，以适应不同的部署约束，覆盖从边缘设备到高性能服务器的场景。中等层级实现了 86.2% 的检测 Hmean 和 83.2% 的识别准确率，相较于之前的 PP-OCRv5_server 模型有显著提升（检测提升 4.6 个百分点，识别提升 5.1 个百分点）。
| 模型 | 模型大小 | 检测 Hmean | 识别准确率 | 典型应用场景 |
|---|---|---|---|---|
| PP-OCRv6_tiny | 1.5M params | 80.6% | 73.5% | 边缘设备、轻量本地 OCR、对延迟敏感的演示、受限环境 |
| PP-OCRv6_small | 7.7M params | 84.1% | 81.3% | 移动端、桌面端、均衡的 OCR 服务、计算成本更低的多语言 OCR |
| PP-OCRv6_medium | 34.5M params | 86.2% | 83.2% | 以准确性为导向的 OCR、服务器端流水线、工业 OCR、文档摄取、多语言 OCR |
架构改进
PP-OCRv6 为 OCR 流程的检测和识别阶段引入了特定的架构更新，以提升在复杂真实输入上的性能。
统一骨干网络
该模型系列使用 PPLCNetV4 作为文本检测和文本识别的统一骨干网络。这在 tiny、small、medium 三个层级之间提供了架构一致性。
使用 RepLKFPN 加强文本检测
为了解决小尺寸、密集或旋转文本等挑战，检测模块已升级为 RepLKFPN。这是一种轻量级的大核特征金字塔网络，旨在提升多尺度文本检测能力，同时保持推理效率。
使用 EncoderWithLightSVTR 改进识别
在识别阶段，PP-OCRv6 使用 EncoderWithLightSVTR。该架构将局部上下文建模与全局注意力相结合，提升了对多语言文本、屏幕文本以及噪声图像区域等挑战性文本裁剪的识别质量。
多语言支持与部署
PP-OCRv6 在 small 和 medium 两个层级中提供统一的多语言支持。这些模型支持 50 种语言，包括简体中文、繁体中文、英文、日文以及 46 种拉丁字母语言，从而降低了对多个专用模型的需求。
推理后端
开发者可以通过 PaddleOCR 库使用多种推理后端来集成 PP-OCRv6：
- Transformers：面向 Hugging Face / PyTorch 的推理路径。
- ONNX Runtime：适用于基于 ONNX 的部署环境的便携路径。
- Paddle Inference：原生的 Paddle 推理格式。
模型资产在 Hugging Face Hub 上提供多种格式，包括 safetensors、Paddle inference models 和 ONNX models。