paddlepaddle--paddleocr/README.md

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

全球领先的 OCR 工具包与文档 AI 引擎

English | 简体中文 | 繁體中文 | 日本語 | 한국어 | Français | Русский | Español | العربية

PaddleOCR 将 PDF 文档与图片转换为结构化、可直接用于 LLM 的数据（JSON/Markdown），具备业界领先的准确率。凭借 70k+ Stars，并受到 Dify、RAGFlow、Cherry Studio 等顶尖项目的信赖，PaddleOCR 是构建智能 RAG 与 Agentic 应用的基石。

🚀 核心特性

📄 智能文档解析（LLM-Ready）

将杂乱的视觉内容转化为 LLM 时代的结构化数据。

• SOTA 文档 VLM：搭载 PaddleOCR-VL-1.6 (0.9B)，业界领先的轻量级文档解析视觉语言模型（Vision-Language Model）。在 OmniDocBench v1.6 上达到 96.3% 准确率，在文本、公式与表格识别方面领先，并在古籍、生僻字、印章与图表等场景具备显著增强能力，可输出 Markdown 与 JSON 结构化结果。
• 结构感知转换：由 PP-StructureV3 驱动，可将复杂 PDF 与图片无缝转换为 Markdown 或 JSON。与 PaddleOCR-VL 系列模型不同，它提供更细粒度的坐标信息，包括表格单元格坐标、文本坐标等。
• 生产级效率：以极小体积实现商业级准确率。在公开基准测试中优于众多闭源方案，同时保持边缘/云端部署所需的资源效率。

🔍 通用文字识别（场景 OCR）

高速多语言文字检测的全球黄金标准。

• 支持 100+ 种语言：原生支持庞大的全球语言库。PP-OCRv6 以单一统一模型支持 50 种语言（中文、英文、日文及 46 种拉丁文字语言）——多语言文档无需切换模型。
• 复杂要素驾驭：除标准文字识别外，我们还支持多种环境下的自然场景文字检测（natural scene text spotting），涵盖证件、街景、书籍与工业零部件等。
• 性能跃升：PP-OCRv6 相较 PP-OCRv5，检测准确率提升 +4.6%、识别准确率提升 +5.1%，超越主流视觉语言模型（Vision-Language Models）。端到端 CPU 推理加速 5.2×。

🛠️ 面向开发者的生态

• 无缝集成：AI Agent 生态的首选方案——与 Dify、RAGFlow、Pathway、Cherry Studio 深度集成。
• LLM 数据飞轮：完整流水线用于构建高质量数据集，为大型语言模型微调提供可持续的「数据引擎」。
• 一键部署：支持多种硬件后端（NVIDIA GPU、Intel CPU、昆仑芯 XPU 及各类 AI 加速器）。

📣 近期更新

🔥 2026.06.11：PaddleOCR 3.7.0 发布

• PP-OCRv6 亮点：

  • 准确率提升：medium 档位相较 PP-OCRv5_server，检测提升 +4.6%、识别提升 +5.1%，仅以 34.5M 参数超越主流 VLM（Qwen3-VL-235B、GPT-5.5）。
  • 50 种语言统一模型：单一模型覆盖中文、英文、日文及 46 种拉丁文字语言——无需切换模型。
  • 专项场景：在数字显示屏、点阵字符、轮胎印痕与工业文字识别方面有重大改进。
  • 更快推理：CPU 加速 5.2×（OpenVINO），Apple M4（tiny）上 6.1×，A100 GPU 上 0.13s。
  • 三档覆盖全场景：tiny（1.5M）/ small（7.7M）/ medium（34.5M），分别适用于边缘、移动端与服务端部署。
  • 模型可用性：所有模型均可从 HuggingFace 和 ModelScope. 获取

2026.05.28：PaddleOCR 3.6.0 发布

• PaddleOCR-VL-1.6 亮点：

  • 全新 SOTA 准确率：在 OmniDocBench v1.6 上超过 96.3%，并在 OmniDocBench v1.5 与 Real5-OmniDocBench 上创下新的 SOTA，在文本、公式与表格识别方面同时领先开源与闭源方案。
  • 能力全面升级：在表格、古籍与生僻字识别方面有显著提升，印章识别、检测与图表理解在多种场景下均有明显增强。
  • 无缝迁移：模型架构与 PaddleOCR-VL-1.5 完全一致，可实现零成本适配——即换即用。
  • 立即体验：可在 HuggingFace 或我们的 官方网站. 获取

2026.04.21：PaddleOCR 3.5.0 发布

• 灵活的推理后端：可在 Paddle 静态图、Paddle 动态图或 Transformers 之间无缝切换。PaddleOCR 现已与 Hugging Face 生态深度集成，20 个主要模型支持以 Transformers 作为推理后端。
• Office 文档转 Markdown：将 Word、Excel、PowerPoint 等常见文档格式转换为 Markdown。
• 解析结果 DOCX 导出：PaddleOCR-VL 系列、PP-StructureV3 和 PP-DocTranslation 现已支持将解析结果导出为 DOCX，便于在 Microsoft Word 中查看和编辑。
• 官方浏览器推理 SDK：发布 PaddleOCR.js，即官方浏览器推理 SDK，支持在浏览器中直接运行 PP-OCRv5。

2026.01.29：PaddleOCR 3.4.0 发布

• PaddleOCR-VL-1.5（SOTA 0.9B VLM）：我们最新的文档解析旗舰模型现已上线！
  • OmniDocBench 上 94.5% 准确率：超越顶级通用大模型和专业文档解析器。
  • 真实场景鲁棒性：率先引入 PP-DocLayoutV3 算法用于不规则形状定位，攻克 5 大棘手场景：倾斜、扭曲、扫描、光照与屏幕拍摄。
  • 能力扩展：现已支持 印章识别（Seal Recognition）、文本检测（Text Spotting），并扩展至 111 种语言（包括中国藏文和孟加拉文）。
  • 长文档处理：支持自动跨页表格合并与层级标题识别。
  • 立即体验：可在 HuggingFace or our Official Website.

2025.10.16：PaddleOCR 3.3.0 发布

• 发布 PaddleOCR-VL：

  • 模型介绍：

    • PaddleOCR-VL 是一款面向文档解析的 SOTA、资源高效模型。其核心组件为 PaddleOCR-VL-0.9B，这是一款紧凑而强大的视觉语言模型（VLM），将 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型相结合，以实现精准的元素识别。该创新模型高效支持 109 种语言，擅长识别复杂元素（如文本、表格、公式和图表），同时保持极低的资源消耗。通过在广泛使用的公开基准和内部基准上的全面评测，PaddleOCR-VL 在页面级文档解析和元素级识别方面均达到 SOTA 性能。它显著优于现有方案，与顶级 VLM 具备强劲竞争力，并提供快速推理速度。这些优势使其非常适合在实际场景中部署。模型已在 HuggingFace. 发布，欢迎所有人下载使用！更多介绍信息请参阅 PaddleOCR-VL.

  • 核心特性：

    • 紧凑而强大的 VLM 架构：我们提出了一种专为资源高效推理设计的全新视觉语言模型，在元素识别方面表现卓越。通过将 NaViT 风格的动态高分辨率视觉编码器与轻量级 ERNIE-4.5-0.3B 语言模型集成，我们显著提升了模型的识别能力与解码效率。该集成在保持高精度的同时降低了计算需求，非常适合高效、实用的文档处理应用。
    • 文档解析 SOTA 性能：PaddleOCR-VL 在页面级文档解析和元素级识别方面均达到最先进性能。它显著优于现有基于流水线的方案，并在文档解析方面与领先的视觉语言模型（VLM）具备强劲竞争力。此外，它擅长识别复杂文档元素，如文本、表格、公式和图表，适用于多种具有挑战性的内容类型，包括手写文本和历史文献。这使其高度通用，适用于广泛的文档类型和场景。
    • 多语言支持：PaddleOCR-VL 支持 109 种语言，覆盖全球主要语言，包括但不限于中文、英文、日文、拉丁文和韩文，以及书写体系和结构各异的语言，如俄文（西里尔字母）、阿拉伯文、印地文（天城文）和泰文。这种广泛的语言覆盖大幅提升了我们系统在多语言和全球化文档处理场景中的适用性。

• 发布 PP-OCRv5 多语言识别模型：

  • 提升了拉丁字母识别的准确率与覆盖范围；新增对西里尔字母、阿拉伯文、天城文、泰卢固文、泰米尔文等文字体系的支持，覆盖 109 种语言的识别。模型仅含 2M 参数，部分模型的准确率较上一代提升超过 40%。

2025.08.21：PaddleOCR 3.2.0 发布

• 重要模型新增：

  • 新增英文、泰文和希腊文 PP-OCRv5 识别模型的训练、推理与部署。PP-OCRv5 英文模型在英文场景下较主 PP-OCRv5 模型提升 11%，泰文和希腊文识别模型准确率分别达到 82.68% 和 89.28%。

• 部署能力升级：

  • 全面支持 PaddlePaddle 框架 3.1.0 和 3.1.1 版本。
  • 全面升级 PP-OCRv5 C++ 本地部署方案，现支持 Linux 和 Windows，功能与 Python 实现完全一致，准确率相同。
  • 高性能推理现支持 CUDA 12，可使用 Paddle Inference 或 ONNX Runtime 后端进行推理。
  • 高稳定性面向服务的部署方案现已完全开源，用户可根据需要自定义 Docker 镜像和 SDK。
  • 高稳定性面向服务的部署方案还支持通过手动构造 HTTP 请求调用，可使用任意编程语言进行客户端代码开发。

• 基准测试支持：

  • 所有产线现均支持细粒度基准测试，可测量端到端推理时间以及逐层、逐模块延迟数据，辅助性能分析。此处介绍如何配置和使用基准测试功能。
  • 文档已更新，包含主流硬件上常用配置的关键指标，如推理延迟和内存占用，为用户提供部署参考。

• Bug 修复：

  • 修复了模型训练时日志保存失败的问题。
  • 升级公式模型的数据增强组件以兼容较新版本的 albumentations 依赖，并修复多进程场景下使用 tokenizers 包时的死锁警告。
  • 修复了 PP-StructureV3 配置文件中开关行为（如 use_chart_parsing）与其他流水线不一致的问题。

• 其他增强：

  • 分离核心依赖与可选依赖。基础文本识别仅需最少核心依赖；文档解析和信息提取的额外依赖可按需安装。
  • 在 Windows 上启用对 NVIDIA RTX 50 系列显卡的支持；用户可参考安装指南了解对应的 PaddlePaddle 框架版本。
  • PP-OCR 系列模型现支持返回单字符坐标。
  • 新增 AIStudio、ModelScope 等模型下载源，用户可指定模型下载来源。
  • 新增通过 PP-Chart2Table 模块支持图表转表格。
  • 优化文档描述以提升易用性。

History Log)

🚀 快速开始

第一步：在线体验

PaddleOCR 官网提供了交互式体验中心和 API——无需配置，一键即可体验。

👉 访问官网)

第二步：本地部署

如需本地使用，请根据需求参考以下文档：

• PP-OCR 系列：参见 PP-OCR 文档)
• PaddleOCR-VL 系列：参见 PaddleOCR-VL 文档)
• PP-StructureV3：参见 PP-StructureV3 文档)
• 更多功能：参见 更多功能文档)

🧩 更多特性

• 将模型转换为 ONNX 格式：获取 ONNX 模型.)
• 使用 OpenVINO、ONNX Runtime、TensorRT 等引擎加速推理，或直接使用 ONNX 格式模型进行推理：高性能推理.)
• 使用多 GPU 和多进程加速推理：流水线并行推理.)
• 将 PaddleOCR 集成到 C++、C#、Java 等编写的应用中：服务化部署.)

🔄 运行效果速览

PP-OCRv5

PP-StructureV3

PaddleOCR-VL

✨ 敬请期待

⭐ 给此仓库点 Star，即可持续关注精彩更新与新版本发布，包括强大的 OCR 和文档解析能力！ ⭐

👩‍👩‍👧‍👦 社区

飞桨微信公众号	加入技术讨论群

😃 基于 PaddleOCR 的优秀项目

PaddleOCR 能取得今天的成就，离不开我们出色的社区！💗 衷心感谢所有长期合作伙伴、新加入的贡献者，以及每一位为 PaddleOCR 倾注热情的朋友——无论我们是否列出了你的名字。你们的支持是我们前进的动力！

项目名称	描述
Dify	面向智能体工作流开发的生产级平台。
RAGFlow	基于深度文档理解的 RAG 引擎。
pathway	用于流处理、实时分析、LLM 流水线和 RAG 的 Python ETL 框架。
MinerU	多类型文档转 Markdown 工具
Umi-OCR	免费、开源、批量离线的 OCR 软件。
cherry-studio	支持多 LLM 提供商的桌面客户端。
haystack	用于构建可定制、生产级 LLM 应用的 AI 编排框架。
OmniParser	OmniParser：面向纯视觉 GUI Agent 的屏幕解析工具。
QAnything	基于任何内容的问答系统。
了解更多项目	更多基于 PaddleOCR 的项目

👩‍👩‍👧‍👦 贡献者

🌟 Star

📄 许可证

本项目基于 Apache 2.0 许可证 发布。

🎓 引用

@misc{cui2025paddleocr30technicalreport,
      title={PaddleOCR 3.0 Technical Report}, 
      author={Cheng Cui and Ting Sun and Manhui Lin and Tingquan Gao and Yubo Zhang and Jiaxuan Liu and Xueqing Wang and Zelun Zhang and Changda Zhou and Hongen Liu and Yue Zhang and Wenyu Lv and Kui Huang and Yichao Zhang and Jing Zhang and Jun Zhang and Yi Liu and Dianhai Yu and Yanjun Ma},
      year={2025},
      eprint={2507.05595},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2507.05595}, 
}

@misc{cui2025paddleocrvlboostingmultilingualdocument,
      title={PaddleOCR-VL: Boosting Multilingual Document Parsing via a 0.9B Ultra-Compact Vision-Language Model}, 
      author={Cheng Cui and Ting Sun and Suyin Liang and Tingquan Gao and Zelun Zhang and Jiaxuan Liu and Xueqing Wang and Changda Zhou and Hongen Liu and Manhui Lin and Yue Zhang and Yubo Zhang and Handong Zheng and Jing Zhang and Jun Zhang and Yi Liu and Dianhai Yu and Yanjun Ma},
      year={2025},
      eprint={2510.14528},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2510.14528}, 
}

@misc{cui2026paddleocrvl15multitask09bvlm,
      title={PaddleOCR-VL-1.5: Towards a Multi-Task 0.9B VLM for Robust In-the-Wild Document Parsing}, 
      author={Cheng Cui and Ting Sun and Suyin Liang and Tingquan Gao and Zelun Zhang and Jiaxuan Liu and Xueqing Wang and Changda Zhou and Hongen Liu and Manhui Lin and Yue Zhang and Yubo Zhang and Yi Liu and Dianhai Yu and Yanjun Ma},
      year={2026},
      eprint={2601.21957},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2601.21957}, 
}

@misc{zhang2026paddleocrvl16expandingfrontierdocument,
      title={PaddleOCR-VL-1.6: Expanding the Frontier of Document Parsing with Under-Optimized Region Refinement and Progressive Post-Training}, 
      author={Zelun Zhang and Hongen Liu and Suyin Liang and Yubo Zhang and Yiqing Xiang and Jiaxuan Liu and Ting Sun and Manhui Lin and Yue Zhang and Changda Zhou and Tingquan Gao and Cheng Cui and Yi Liu and Dianhai Yu and Yanjun Ma},
      year={2026},
      eprint={2606.03264},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2606.03264}, 
}