PaddleOCR介绍

原创 已于 2026-05-25 07:46:58 修改 · 474 阅读 · 8 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#PaddleOCR
于 2026-05-23 12:17:23 首次发布

      PaddleOCR是开源项目，将PDF文档和图像转换为结构化、LLM友好的数据格式(JSON/Markdown)。源码地址：https://github.com/PaddlePaddle/PaddleOCR ，license为Apache-2.0，最新发布版本v3.5.0。 

      环境配置：PaddleOCR 3.x版本依赖于3.0及以上版本的飞桨框架

conda create --name paddleocr python=3.10 -y
conda activate paddleocr
pip install paddlepaddle==3.3.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/ # CPU
pip install paddlepaddle-gpu==3.3.1 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/ # CUDA 11.8
pip install paddleocr==3.5.0 # 仅需要通用OCR与文档图像预处理等默认能力
pip install "paddleocr[all]" # 需要文档解析、文档理解、文档翻译、关键信息抽取等全部可选能力

      PaddleOCR 3.x核心特色能力：

      1. PaddleOCR-VL：通过0.9B超紧凑视觉语言模型增强多语种文档解析，支持109种语言。

      PaddleOCR-VL是一款先进、高效的文档解析模型，专为文档中的元素识别设计。PaddleOCR-VL整体由版面分析与VLM识别两个核心阶段组成。流程如下图所示：

      2. PP-OCRv5：全场景文字识别，单模型支持五种文字类型(简中、繁中、英文、日文及拼音)。

      通用OCR产线介绍(PP-OCRv5)：用于解决文字识别任务，提取图片中的文字信息以文本形式输出。通用OCR产线中包含以下5个模块。每个模块均可独立进行训练和推理，并包含多个模型：

      (1).文档图像方向分类模块(可选)：主要是将文档图像的方向区分出来，并使用后处理将其矫正。预测结果含有四个类别，即0度，90度，180度和270度。模型：PP-LCNet_x1_0_doc_ori

      (2).文本图像矫正模块(可选)：主要目的是针对图像进行几何变换，以纠正图像中的文档扭曲、倾斜、透视变形等问题，以供后续的文本识别进行更加准确。模型：UVDoc

      (3).文本行方向分类模块(可选)：主要是将文本行的方向区分出来，并使用后处理将其矫正。文本行分类模型含有两个类别，即0度，180度。模型：PP-LCNet_x1_0_textline_ori

      (4).文本检测模块：负责在图像中定位和标记出包含文本的区域。通常会输出文本区域的边界框(Bounding Boxes)。可基于新数据集进行重新训练。模型：PP-OCRv5_mobile_det、PP-OCRv5_server_det

      (5).文本识别模块：负责从图像中的文本区域提取出文本信息。通常接收文本检测模块输出的文本区域的边界框(Bounding Boxes)作为输入，然后通过复杂的图像处理和深度学习算法，将图像中的文本转化为可编辑和可搜索的电子文本。可基于新数据集进行重新训练。模型：PP-OCRv5_mobile_rec、PP-OCRv5_server_rec

      测试代码如下：

import colorama
import argparse
from pathlib import Path

import os
os.environ["PADDLE_PDX_DISABLE_MODEL_SOURCE_CHECK"] = "True"
import warnings
warnings.filterwarnings("ignore") # UserWarning: No ccache found

import paddle
import paddleocr
from paddleocr import PaddleOCR

def parse_args():
	parser = argparse.ArgumentParser(description="test PaddleOCR")
	parser.add_argument("--task", required=True, type=str, choices=["version", "ocr_predict"], help="specify what kind of task")
	parser.add_argument("--detection_model_name", type=str, default="PP-OCRv5_mobile_det", help="detection model name")
	parser.add_argument("--detection_model_dir", type=str, default="PP-OCRv5_mobile_det", help="detection model directory")
	parser.add_argument("--recognition_model_name", type=str, default="PP-OCRv5_mobile_rec", help="recognition model name")
	parser.add_argument("--recognition_model_dir", type=str, default="PP-OCRv5_mobile_rec", help="recognition model directory")
	parser.add_argument("--image_name", type=str, help="image name")

	args = parser.parse_args()
	return args

def version():
	print(f"Paddle Version: {paddle.__version__}")
	print(f"GPU available: {paddle.is_compiled_with_cuda()}")
	print(f"GPU count: {paddle.device.cuda.device_count()}")

	print(f"PaddleOCR Version: {paddleocr.__version__}")

def ocr_predict(detection_model_name, detection_model_dir, recognition_model_name, recognition_model_dir, image_name):
	if detection_model_dir is None or not detection_model_dir or not Path(detection_model_dir).is_dir():
		raise FileNotFoundError(colorama.Fore.RED + f"detection model dir must be specified: {detection_model_dir}")
	if recognition_model_dir is None or not recognition_model_dir or not Path(recognition_model_dir).is_dir():
		raise FileNotFoundError(colorama.Fore.RED + f"recognition model dir must be specified: {recognition_model_dir}")

	if image_name is None or not image_name or not Path(image_name).is_file():
		raise FileNotFoundError(colorama.Fore.RED + f"image file must be specified: {image_name}")

	ocr = PaddleOCR(
		text_detection_model_name=detection_model_name,
		text_detection_model_dir=detection_model_dir,
		text_recognition_model_name=recognition_model_name,
		text_recognition_model_dir=recognition_model_dir,
		use_doc_orientation_classify=False,
		use_doc_unwarping=False,
		use_textline_orientation=False,
		enable_mkldnn=False
	)

	result = ocr.predict(input=image_name)
	for res in result:
		res.print()
		res.save_to_img(save_path="output")
		res.save_to_json(save_path="output")

if __name__ == "__main__":
	colorama.init(autoreset=True)
	args = parse_args()

	if args.task == "version":
		version()
	elif args.task == "ocr_predict":
		ocr_predict(args.detection_model_name, args.detection_model_dir, args.recognition_model_name, args.recognition_model_dir, args.image_name)

	print(colorama.Fore.GREEN + "====== execution completed ======")

      执行结果如下：

      识别结果如下：

      3. PP-StructureV3：复杂文档解析，将复杂PDF和文档图像智能转换为保留原始结构的Markdown文件和JSON文件。

      PP-StructureV3产线介绍：版面解析是一种从文档图像中提取结构化信息的技术，主要用于将复杂的文档版面转换为机器可读的数据格式。版面解析通过结合光学字符识别(OCR)、图像处理和机器学习算法，能够识别和提取文档中的文本块、标题、段落、图片、表格以及其他版面元素。此过程通常包括版面分析、元素分析和数据格式化三个主要步骤，最终生成结构化的文档数据，提升数据处理的效率和准确性。PP-StructureV3产线中包含以下7个模块或子产线。每个模块或子产线均可独立进行训练和推理，并包含多个模型：

      (1).版面区域检测模块：任务的核心是对输入的文档图像进行内容解析和区域划分。通过识别图像中的不同元素(如文字、图表、图像、公式、段落、摘要、参考文献等)，将其归类为预定义的类别，并确定这些区域在文档中的位置。模型：PP-DocLayout_plus-L

      (2).通用OCR子产线：PP-OCRv5

      (3).文档图像预处理子产线(可选)：文档图像预处理产线集成了文档方向分类和形变矫正两大功能。文档方向分类可自动识别文档的四个方向(0°、90°、180°、270°)，确保文档以正确的方向进行后续处理。文本图像矫正模型则用于修正文档拍摄或扫描过程中的几何扭曲，恢复文档的原始形状和比例。通用文档图像预处理产线中包含以下2个模块。每个模块均可独立进行训练和推理，并包含多个模型。

      文档图像方向分类模块(可选)：主要是将文档图像的方向区分出来，并使用后处理将其矫正。模型：PP-LCNet_x1_0_doc_ori

      文本图像矫正模块(可选)：主要目的是针对图像进行几何变换，以纠正图像中的文档扭曲、倾斜、透视变形等问题，以供后续的文本识别进行更加准确。模型：UVDoc

      (4).表格识别子产线(可选)：表格识别是一种自动从文档或图像中识别和提取表格内容及其结构的技术，广泛应用于数据录入、信息检索和文档分析等领域。通用表格识别v2产线(PP-TableMagic)用于解决表格识别任务，对图片中的表格进行识别，并以HTML格式输出。通用表格识别产线v2中包含8个模块。每个模块均可独立进行训练和推理，并包含多个模型。

      (5).印章文本识别子产线(可选)：印章文本识别是一种自动从文档或图像中提取和识别印章内容的技术，印章文本的识别是文档处理的一部分，在很多场景都有用途，例如合同比对，出入库审核以及发票报销审核等场景。印章文本识别产线用于识别印章的文本内容，提取印章图像中的文字信息以文本形式输出。印章文本识别产线中包含5个模块。每个模块均可独立进行训练和推理，并包含多个模型。

      (6).公式识别子产线(可选)：公式识别是一种自动从文档或图像中识别和提取LaTeX公式内容及其结构的技术，广泛应用于数学、物理、计算机科学等领域的文档编辑和数据分析。公式识别产线中包含4个模块。每个模块均可独立进行训练和推理，并包含多个模型。

      (7).图表解析模块(可选)：多模态图表解析是一项OCR领域的前沿技术，专注于将各类可视化图表(如柱状图、折线图、饼图等)自动转化为底层数据表，并进行格式化输出。模型：PP-Chart2Table

      4. PP-ChatOCRv4：智能信息抽取，原生集成ERNIE 4.5，从海量文档中精准提取关键信息。

      PP-ChatOCRv4产线介绍：是飞桨特色的文档和图像智能分析解决方案，结合了LLM、MLLM和OCR技术，一站式解决版面分析、生僻字、多页 pdf、表格、印章文本识别等常见的复杂文档信息抽取难点问题，结合文心大模型将海量数据和知识相融合，准确率高且应用广泛。PP-ChatOCRv4 产线中包含以下9个模块。每个模块均可独立进行训练和推理，并包含多个模型。

      (1).文档图像方向分类模块(可选)：主要是将文档图像的方向区分出来，并使用后处理将其矫正。模型：PP-LCNet_x1_0_doc_ori

      (2).文本图像矫正模块(可选)：主要目的是针对图像进行几何变换，以纠正图像中的文档扭曲、倾斜、透视变形等问题，以供后续的文本识别进行更加准确。模型：UVDoc

      (3).版面区域检测模块：任务的核心是对输入的文档图像进行内容解析和区域划分。通过识别图像中的不同元素(如文字、图表、图像、公式、段落、摘要、参考文献等)，将其归类为预定义的类别，并确定这些区域在文档中的位置。模型：PP-DocLayout_plus-L

      (4).表格结构识别模块(可选)：是表格识别系统中的重要组成部分，能够将不可编辑表格图片转换为可编辑的表格形式(例如html)。表格结构识别的目标是对表格的行、列和单元格位置进行识别，该模块的性能直接影响到整个表格识别系统的准确性和效率。模型：SLANet系列

      (5).文本检测模块：负责在图像中定位和标记出包含文本的区域。通常会输出文本区域的边界框(Bounding Boxes)。可基于新数据集进行重新训练。模型：PP-OCRv5_mobile_det、PP-OCRv5_server_det

      (6).文本识别模块：负责从图像中的文本区域提取出文本信息。通常接收文本检测模块输出的文本区域的边界框(Bounding Boxes)作为输入，然后通过复杂的图像处理和深度学习算法，将图像中的文本转化为可编辑和可搜索的电子文本。可基于新数据集进行重新训练。模型：PP-OCRv5_mobile_rec、PP-OCRv5_server_rec

      (7).文本行方向分类模块(可选)：主要是将文本行的方向区分出来，并使用后处理将其矫正。文本行分类模型含有两个类别，即0度，180度。模型：PP-LCNet_x1_0_textline_ori

      (8).公式识别模块(可选)：负责将图像中的数学公式转换为可编辑的文本或计算机可识别的格式。公式识别模块通常会输出数学公式的LaTeX或MathML代码，这些代码将作为输入传递给文本理解模块进行后续处理。模型：PP-FormulaNet系列

      (9).印章文本检测模块(可选)：通常会输出文本区域的多点边界框(Bounding Boxes)，这些边界框将作为输入传递给弯曲矫正和文本检测模块进行后续处理，识别出印章的文字内容。模型：PP-OCRv4_server_seal_det

      使用Paddle2ONNX将模型格式由PaddlePaddle转换为ONNX，环境配置如下：注：不能使用paddlepaddle的3.3.0版本，运行会报错

conda create --name paddle2onnx python=3.10 -y
conda activate paddle2onnx
pip install paddlepaddle==3.1.0
pip install paddle2onnx==2.1.0
pip install onnxruntime==1.23.2
pip install colored

      可通过执行命令"paddle2onnx --help"来验证是否安装正确及支持的参数。

      将PP-OCRv5_mobile_det、PP-OCRv5_mobile_rec转换为ONNX的执行结果如下图所示：

      从 https://huggingface.co/ 上下载所需模型。

      GitHub：https://github.com/fengbingchun/NN_Test

PaddleOCR学习（一）PaddleOCR安装与测试
weixin_42708301的博客
08-23 6万+
各种OCR算法试了一圈，还是PaddleOCR比较完善，集成度高，而且各种调试、测试、各种backbone的更改都要方便许多，非常的接地气。网上也有许多paddleocr的相关教程，但是说实话，有很多不清晰的地方，像我这样接触深度学习算法的新手，很多东西都搞不清楚，导致浪费不少时间，趁着网络在训练，我想做一份最最详细的PaddleOCR算法，确保初次接触深度学习的新手也能快速搞懂。 一、安装PaddleOCR 首先去github下载：https://github.com/PaddlePaddle/Paddl
paddleocr的基本使用
potato123232的博客
01-11 5086
我使用的系统为windows，python版本为python3.7，paddleocr版本为2.7.0.2我的显卡是GTX970M，估计是硬件问题，后续使用代码的时候如果使用GPU就不能预测出结果，但CPU可以预测出结果。但在更新CUDA后，在任务管理器中可以查看到GPU的使用情况(之前很少)综上所述下面安装paddlepaddle-gpu版流程是不一定正确的。
PaddleOCR-VL-WEB保姆级教程：从安装到识别，完整流程解析
最新发布
weixin_32005771的博客
04-13 359
本文介绍了如何在星图GPU平台上自动化部署PaddleOCR-VL-WEB镜像，实现高效文档识别功能。该镜像支持多语言、表格及公式识别，特别适用于发票处理、合同数字化等办公场景，显著提升文档处理效率。
PaddleOCR使用
kessity的博客
04-08 2万+
目录一 快速安装1 win10安装二 paddleocr package使用说明1 安装whl包2 代码使用 一 快速安装   本节内容来自这里。 1 win10安装 2. 安装PaddlePaddle Fluid v2.0 pip3 install --upgrade pip 如果您的机器安装的是CUDA9或CUDA10，请运行以下命令安装 python3 -m pip install paddlepaddle-gpu==2.0.0b0 -i https://mirror.baidu.com/pypi/
PaddleOCR：全面解析百度开源的OCR王者
AngelCryToo的专栏
01-17 3204
PaddleOCR是百度基于PaddlePaddle深度学习框架开发的开源光学字符识别（OCR）工具库。自2020年6月开源以来，它凭借卓越的性能、丰富的功能和活跃的社区支持，迅速成为业界最受欢迎的OCR解决方案之一。python# 1. 准备数据集# 标注格式：图像路径\t标签# 2. 修改配置文件# 3. 启动训练!# 4. 模型评估!# 5. 模型导出!PaddleOCR作为百度飞桨生态中的重要组成部分，不仅提供了业界领先的OCR技术，更构建了完整的开源生态体系。技术领先。
PaddleOCR学习（二）PaddleOCR检测模型训练
weixin_42708301的博客
08-23 9693
这一部分主要介绍，如何使用自己的数据库去训练PaddleOCR的文本检测模型。 官方教程https://github.com/PaddlePaddle/PaddleOCR/blob/develop/doc/doc_ch/detection.md 一、准备训练数据 首先你需要有自己的数据，如果没有自己的数据，推荐使用ICDAR2015的数据库，上网搜即可找到，内含1000个训练样本和500个测试样本，包括图片与标准数据（txt格式）。 如何标注自己的数据大家可以自行去网上搜索一下，PaddleOCR自带标注工
paddleocr的使用
m0_61896061的博客
08-22 2087
paddleocr的使用笔记
卷积神经网络(CNN)基础介绍
热门推荐
网络资源是无限的
01-16 37万+
卷积神经网络(CNN)基础介绍
人工神经网络简介
网络资源是无限的
12-12 17万+
人工神经网络简介
决策树(Decision Tree)简介
网络资源是无限的
12-23 6万+
决策树(Decision Tree)简介
深度学习概述
网络资源是无限的
11-28 5万+
深度学习概述
深度神经网络中的Inception模块介绍
网络资源是无限的
01-31 5万+
深度神经网络(Deep Neural Networks, DNN)或深度卷积网络中的Inception模块是由Google的Christian Szegedy等人提出，包括Inception-v1、Inception-v2、Inception-v3、Inception-v4及Inception-ResNet系列。每个版本均是对其前一个版本的迭代改进。另外，依赖于你的数据，低版本可能实际上效果更好。这里是整理的Inception的v1、v2、v3、v4内容。 对于深度神经网络来说，提升网络性能最直接的办法就
目标检测算法Fast R-CNN简介
网络资源是无限的
02-12 4万+
在博文https://blog.csdn.net/fengbingchun/article/details/87007598 中对R-CNN进行了简单介绍，这里在R-CNN的基础上简单介绍下Fast R-CNN。 在R-CNN网络结构模型中，由于卷积神经网络的全连接层对于输入的图像尺寸有限制，所以所有候选区域的图像都必须经过变形转换后才能交由卷积神经网络模型进行特征提取，但是无论采用剪切(cro...
循环神经网络(RNN)简介
网络资源是无限的
09-01 4万+
人工神经网络介绍参考： https://blog.csdn.net/fengbingchun/article/details/50274471  卷积神经网络介绍参考： https://blog.csdn.net/fengbingchun/article/details/50529500  这里在以上两篇基础上整理介绍循环神经网络： 前馈网络可以分为若干”层”，各层按信号传输先后顺序依次排列...
卷积神经网络(CNN)的简单实现(MNIST)
网络资源是无限的
03-06 4万+
卷积神经网络(CNN)的简单实现(MNIST)
经典网络ResNet介绍
网络资源是无限的
02-27 4万+
经典网络ResNet(Residual Networks)由Kaiming He等人于2015年提出，论文名为《Deep Residual Learning for Image Recognition》，论文见：https://arxiv.org/pdf/1512.03385.pdf ResNet要解决的是深度神经网络的”退化(degradation)”问题，即使用浅层直接堆叠成深层网络，不仅难以利用深层网络强大的特征提取能力，而且准确率会下降，这个退化不是由于过拟合引起的。 ResNet也称为残差网络
经典网络DenseNet介绍
网络资源是无限的
03-07 2万+
经典网络DenseNet(Dense Convolutional Network)由Gao Huang等人于2017年提出，论文名为：《Densely Connected Convolutional Networks》，论文见：https://arxiv.org/pdf/1608.06993.pdf DenseNet以前馈的方式(feed-forward fashion)将每个层与其它层连接起来。在传统卷积神经网络中，对于L层的网络具有L个连接，而在DenseNet中，会有L(L+1)/2个连接。每一层的
深度学习中的随机梯度下降(SGD)简介
网络资源是无限的
03-22 2万+
        随机梯度下降(Stochastic Gradient Descent, SGD)是梯度下降算法的一个扩展。        机器学习中反复出现的一个问题是好的泛化需要大的训练集，但大的训练集的计算代价也更大。机器学习算法中的代价函数通常可以分解成每个样本的代价函数的总和。随着训练集规模增长为数十亿的样本，计算一步梯度也会消耗相当成的时间。        随机梯度下降的核心是：梯度是期...
libsvm库简介及使用
网络资源是无限的
11-05 2万+
libsvm库简介及使用
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值