PaddlePaddle/PaddleOCR

PaddleOCR – 开源 OCR 与文档 AI 工具包

功能

• 将图像或 PDF 页面转换为机器可读的文本、表格、公式，甚至可直接输入大语言模型的结构化 Markdown/JSON。
• 提供两大模型系列：
  1. PP-OCRv6 – 支持 50 种语言的多语言场景文本识别器（单模型支持 50 语言，CPU 上提速超 100%，高精度）。
  2. PaddleOCR-VL / PP-StructureV3 – 轻量级视觉-语言模型，用于完整文档解析（文本、表格、公式、印章、图表），输出为 JSON 或 Markdown 格式。

为何重要

• OCR 是检索增强生成（RAG）管道的第一步：在大语言模型（LLM）能够推理文档之前，需要干净、结构化的文本。
• PaddleOCR 在 OmniDocBench 等基准测试中达到业界领先精度，同时模型体积极小（约 0.9B 参数），支持 CPU、GPU、XPU、NPU 等广泛硬件。
• 与 Dify、RAGFlow、Cherry Studio 等主流 AI 代理平台深度集成，是构建 LLM 驱动代理和检索增强生成流水线的便捷“数据引擎”。

核心特性（来自 README）

• 多语言支持 – 支持 100+ 种语言，统一单模型支持中文、英文、日文及 46 种拉丁字母语言。
• 结构感知转换 – 提取每个文本框、表格单元格等的坐标，支持下游布局感知处理。
• 快速推理 – CPU 上最高提速 5 倍，Apple M4 上最高提速 6 倍，中等规模模型在 A100 GPU 上推理时间低于 0.2 秒。
• 部署灵活性 – 支持 Linux、Windows、macOS；支持 Paddle 静态/动态图、Transformers、ONNX、OpenVINO、TensorRT，甚至浏览器 SDK（PaddleOCR.js）。
• 一键云/边缘部署 – 提供预构建 Docker 镜像，支持 vLLM 兼容的 HPD-Parsing 模型服务，以及 HuggingFace/ModelScope 上的模型镜像。
• 可扩展流水线 – 可将 PDF、Word/Excel/PowerPoint 文件转换为 Markdown，支持导出为 DOCX，并包含图表转表格的工具。

典型使用流程

1. 通过 pip install paddleocr 安装（或拉取 Docker 镜像）。
2. 运行预设流水线，例如 paddleocr --image mydoc.png 快速 OCR，或使用 Python API 调用 PP-StructureV3 进行完整文档解析。
3. 将 JSON/Markdown 输出用于下游 RAG 流水线、微调 LLM，或输入 AI 代理。

谁在使用

• 超过 6,000 个 GitHub 项目依赖 PaddleOCR。
• 被商业 RAG 平台（Dify、RAGFlow）和 AI 工作室服务采用。

了解更多

• 官方网站与演示：https://www.paddleocr.com
• HuggingFace 上的模型卡片（例如 PaddlePaddle/PaddleOCR-VL-1.6）。
• README 中链接了各流水线（OCR、StructureV3、HPD-Parsing 等）的详细文档。

---

所有陈述均直接取自仓库的 README；未添加任何额外主张。