PaddlePaddle/PaddleOCR

What it solves

PaddleOCR 是一套完整的工具包，旨在将 PDF 文档和图像转换为结构化、机器可读的数据（如 JSON 和 Markdown）。它解决了从复杂视觉布局（包括自然场景、古代文献和工业部件）中提取文字、表格、公式和图表的问题，使这些数据“LLM‑ready”，可用于 RAG（检索增强生成）和 AI Agent 应用。

How it works

该项目提供多个专门的模型系列，以处理不同的 OCR 任务：

• PaddleOCR-VL：轻量级视觉语言模型（VLM），将动态分辨率视觉编码器与语言模型结合，执行页面级文档解析和元素识别。
• PP-OCR：高速、多语言文字检测系统（当前 v6），支持 100 多种语言，并针对服务器和边缘部署（tiny、small、medium）进行优化。
• PP-StructureV3：具结构感知的转换引擎，将复杂的 PDF 和图像转换为 Markdown 或 JSON，提供表格单元格和文本的细粒度坐标信息。

Who it’s for

它面向构建 AI Agent、RAG 流水线和文档 AI 引擎的开发者，帮助将非结构化视觉数据转化为高质量结构化文本。也适用于在多种硬件上部署 OCR 的工程师，包括 NVIDIA GPU、Intel CPU 和移动设备。

Highlights

• Multilingual Mastery：支持 100+ 语言的统一模型，减少模型切换的需求。
• LLM-Ready Output：直接导出为 Markdown 和 JSON，便于与 LLM 无缝集成。
• High Efficiency：提供超小模型体积（如 PP‑OCRv6 tiny 仅 1.5M 参数），在 CPU 与 GPU 上都有显著的推理加速。
• Broad Hardware Support：兼容多种后端，包括 OpenVINO、ONNX Runtime、TensorRT 以及各种 AI 加速器。
• C++ and JS Support：包含 C++ 本地部署方案和基于浏览器的推理 SDK（PaddleOCR.js）。