PP-OCRv6 深度拆解：三档 OCR 模型族与 50 种语言识别实战

PP-OCRv6 深度拆解：三档 OCR 模型族与 50 种语言识别实战

【免费下载链接】PaddleOCRTurn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100+ languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCR

一个 34.5M 参数的 OCR 模型，在 16 类场景文本检测基准上拿到 86.2% Hmean，而 235B 参数的 VLM 只有 38.3%。这是 PaddleOCR 最新一代 PP-OCRv6 的 medium 档成绩——它基于全新的 PPLCNetV4 统一骨干，以 tiny/small/medium 三档覆盖端侧到服务端，并用单模型统一支持中、英、日加 46 种拉丁语系共 50 种语言。读完本文，你能带走三样东西：三档模型的选型依据、统一骨干的设计原理、以及一条 6 行代码就能跑通的端到端识别路径。

三档模型族速览：关键指标一览

PP-OCRv6 不是单一模型，而是一个三档模型族（官方口径覆盖 1.5M–34.5M 参数），全部基于同一套骨干与检测/识别架构。核心数据如下：

说明：精度数据来自官方内部多场景综合评估集（检测 16 类场景、识别 15 类场景），VLM 对照为发布时点版本，具体数值会随基准演进而变化。

这意味着什么：medium 档相比上一代 PP-OCRv5_server，识别准确率提升 5.1 个百分点（83.2% vs 78.1%）、检测提升 4.6 个百分点（86.2% vs 81.6%），同时 A100 上 GPU 推理速度快 2.37×（0.29s vs 0.32s）。如果你的业务是工业部署或大规模文档数据管线，medium 是官方定位的生产级档位；而 tiny 档仅 1.1M 参数，官方称其已超越对照表中 4/5 的 VLM，适合端侧/IoT 的延迟敏感场景。

PPLCNetV4 统一骨干：一个骨干如何同时服务两个任务

Block 结构：MetaFormer 范式加结构重参数化

它替代了什么：PP-OCRv5 时代，服务端（ResNet 系）与移动端（MobileNet/LCNet 系）各有独立骨干，且检测与识别各用一套。PPLCNetV4 用一个骨干族把两件事都统一了。

它怎么做的：每个 Block 按 MetaFormer 范式解耦为 Token Mixer（3×3 深度卷积，负责空间混合）与 Channel Mixer（2 倍扩展全连接，负责通道重加权）：

x̂ = SE(DW(x)) + x y = W₂·σ(W₁·x̂) + x̂

白话翻译：先做空间混合（相邻像素互相交流），SE 给通道加权，再用 2 倍扩展的 MLP 做通道交互，每步都带残差。源码 rec_lcnetv4.py 中NET_CONFIG_DET/NET_CONFIG_REC两组配置定义了 tiny/small/medium 三档宽度，检测模式 medium 档通道演进为128 → 256 → 512 → 896。

带来了什么收益：三档规模共用一套架构与训练管线；medium 档以 34.5M 参数取得上表成绩，且相比 v5_server 推理快 2.37×（0.29s vs 0.32s）。

任务自适应下采样：同一网络两种"切法"

• 检测模式：标准 stride-2 下采样，产出 stride 4/8/16/32 的多尺度特征图供 FPN 聚合；
• 识别模式：Stage 3/4 改为非对称 stride (2,1)，只压高度、保留宽度，再经高度轴平均池化输出 1-D 序列给 CTC 解码。

设计取舍一目了然：检测要的是多分辨率金字塔，识别要的是保住横向顺序的"一条串"。同一骨干按任务切换切法，这就是"一骨干两任务"的全部秘密。

检测侧：RepLKFPN 大核轻量金字塔

替代了PP-OCRv5 的 RSEFPN（3×3 普通卷积）。DilatedReparamBlock用 7×7 深度卷积 + 膨胀分支换更大的感受野：参数从 172K 降到 118K（−31%），感受野从 3×3 扩到 7×7。实现见 db_fpn.py 的RepLKFPN类（约 L307 起），部署前调用rep()即可把训练期的多分支合并成单一大核卷积，推理零额外开销。配合 P2/P3/P4 三层辅助预测头的深度监督，训练时梯度更强，推理时这些辅助头直接移除。

识别侧：EncoderWithLightSVTR 颈部

替代了PP-OCRv5 的拼接式（concatenation）上下文建模。它由 1×7 深度卷积做局部上下文 + 1–2 层 Transformer 做全局自注意力，跳跃连接用加法代替拼接，参数显著减少，注册于 rnn.py 的lightsvtr分支（EncoderWithLightSVTR，约 L242 起）。解码采用多头设计：CTCHead 负责训练与推理，NRTRHead 仅作训练期辅助监督，推理时移除。

管线拆解：从图像输入到文本输出

① 输入与预处理：端到端管线提供三个可选模块——文档方向分类、文档矫正、文本行方向分类，对应 API 中的三个开关。纯文字图片建议全部关闭，跳过预处理直走检测→识别主链路；处理倾斜扫描件则保持开启。设计取舍：关掉省算力，开启换对倾斜/旋转输入的鲁棒性。

② 文本检测：功能是把整图切出文本区域多边形。PPLCNetV4（det 模式）→ RepLKPAN 颈部 → DBHead（k=50）输出概率图，DBPostProcess（thresh 0.2、box_thresh 0.45、unclip_ratio 1.4）还原文本框。关键配置见 PP-OCRv6_medium_det.yml：

Architecture: algorithm: DB Backbone: { name: PPLCNetV4, det: true, model_size: medium } Neck: { name: RepLKPAN, out_channels: 256, intracl: true } Loss: name: DBLoss main_loss_type: DiceFocalLoss aux_weight_p4: 0.2

训练侧，DiceFocalLoss组合 Dice 与 Focal 两类损失，对小目标和密集文本做逐像素监督；P2/P3/P4 辅助头按aux_weight（0.4/0.3/0.2）加权；优化器 Adam + Cosine（初始 0.001，warmup 2 epoch）；增强链含 CopyPaste、ColorJitter、RandomPerspective、RandomCrop，输入尺寸 640×640，EMA 衰减 0.9996，共 500 epoch。取舍：640×640 的固定训练尺寸换小目标召回，代价是大图上需依赖 unclip 外扩补偿。

③ 文本识别：功能是把每个文本区域裁剪后转成文字串。PPLCNetV4（rec 模式，非对称下采样）→ LightSVTR 颈部 → 多头解码。关键配置见 PP-OCRv6_medium_rec.yml：

algorithm: SVTR_LCNet Backbone: { name: PPLCNetV4, model_size: medium } Head: name: MultiHead head_list: - CTCHead: { Neck: { name: lightsvtr, dims: 192, depth: 2, local_kernel: 7 } } - NRTRHead: { nrtr_dim: 512, max_text_length: 25 }

local_kernel: 7对应 1×7 深度卷积的局部建模，depth: 2为 2 层全局注意力，max_text_length: 25限制最大文本长度。多语言靠字典扩展实现：medium/small 用 ppocrv6_dict.txt（18,708 字符，含约 200 个带变音符号字符），tiny 用 ppocrv6_tiny_dict.txt（6,904 字符）。训练采用 MultiScaleSampler 三尺度（高度 32/48/64，宽度 320）+ RecConAug 融合增强，Adam + Cosine（0.0005，warmup 5 epoch），共 100 epoch。取舍：多尺度训练提升不同字号下的鲁棒性，代价是训练吞吐下降。

④ 输出：predict()返回逐图结果对象，print()查看、save_to_json()/save_to_img()落盘，管线组装逻辑在 paddleocr/_pipelines/，模块与管线的注册机制在 paddleocr/_models/ 与 paddleocr/_doc2md/ 中可进一步定制。

实测精度与推理速度对比

检测精度（官方内部 16 类场景基准，Hmean%；完整 16 场景表见 PP-OCRv6.md）：

• 差距在长尾，不在主流：印刷体等常规场景各代模型都接近 95%，真正拉开差距的是日文（84.3 vs v5_server 77.2）、古籍（80.2 vs 67.6）、旋转文本（93.8 vs 80.0）与工业字符（73.3 vs 64.3）。
• 反直觉的一点：VLM 的"强项"恰恰是它的短板——GPT-5.5 在旋转场景只有 10.0，Qwen3-VL-235B 仅 2.1，而 v6_tiny 也有 91.0。
• 识别侧（15 类场景加权准确率）：medium 83.2%，比 v5_server（78.1%）高 5.1 个百分点，其中日文 +16.8%（90.5 vs 73.7）、屏幕显示 +14.4%（82.5 vs 68.1）、古籍 +12.0%（72.4 vs 60.4）；VLM 侧 Qwen3-VL-235B 74.9%、Gemini-3.1-Pro 71.4%、GPT-5.5 64.2%。

端到端推理速度（s/image，200 张图全流程，含读图与前后处理）：

• medium 全平台追平或反超上一代 server：最夸张的是 Xeon OpenVINO，1.40s vs 7.30s，快 5.2×。
• tiny 是跨平台最快的：M4 上 0.35s（ONNX Runtime），A100 上 0.13s，适合任何延迟敏感场景。
• 小档换精度几乎不花速度：small 与 v5_mobile 速度基本持平，但识别准确率高出约 7.6 个百分点（81.3% vs 73.7%）。

快速上手：6 行代码跑通端到端 OCR

from paddleocr import PaddleOCR ocr = PaddleOCR(use_doc_orientation_classify=False, use_doc_unwarping=False, use_textline_orientation=False) for res in ocr.predict("general_ocr_002.png"): res.print()

三个use_*开关分别控制文档方向分类、文档矫正、文本行方向分类，关掉它们就跳过预处理模块直接走检测→识别，速度最快；处理倾斜扫描件时改回True即可。默认即使用 PP-OCRv6_medium 端到端管线。

命令行方式等价物是一句paddleocr ocr -i <图片路径>加同名参数；替代引擎只记两个关键参数即可：Transformers 引擎传engine="transformers"（需transformers>=5.8.0），ONNX Runtime 高性能推理传enable_hpi=True。

部署与扩展边界

• 系统与硬件：兼容 Windows、Linux、Mac；推理支持 NVIDIA GPU、Intel CPU、昆仑芯、昇腾。
• 高性能推理插件：enable_hpi=True启用 HPI 插件自动切换 ONNX Runtime 加速，文档见 high_performance_inference.md。
• 服务化部署：官方提供高稳定性服务化方案，见 serving.md。
• 二次开发入口：自定义数据集训练与微调的教程分别见 text_detection.md 与 text_recognition.md；词表扩展直接改 ppocrv6_dict.txt 后重训识别头。
• ⚠️限制：tiny 档不含日文（约 4000 个汉字/假名会撑爆 1.1M 参数的输出层）；A100 上 medium/small 的 TensorRT 数据官方未公开；small 档参数量官方未给出精确值。

选型建议与已知边界

1. 服务端 / 数据管线：选 medium + PaddlePaddle 原生推理（A100 0.29s/张），精度与速度同时压过上一代 server；GPU 批量任务可评估 TensorRT 后端（small 档有公开数据 0.32s）。
2. 移动端 / 桌面端实时场景：选 small，速度与 v5_mobile 持平但识别准确率高 7.6 个百分点，CPU 侧组合 OpenVINO/ONNX Runtime 拿最优延迟。
3. 端侧 / IoT：选 tiny，M4 上 0.35s、Xeon OpenVINO 0.20s，跨平台最快；前提是业务不依赖日文。

已知边界有两个：其一，精度基准全部来自官方内部评测集，公开第三方复现数据目前未公开，引入前建议用自己的业务样本集先跑一轮回归；其二，medium 档在 Apple M4 上 PaddlePaddle 后端需 8.82s/张，M 系列芯片上应优先 ONNX Runtime（5.55s）。PP-OCRv6 把"按算力选档位、按语言覆盖选字典"这两件事做成了同一套架构下的配置项，这正是它值得纳入技术评估清单的理由。

【免费下载链接】PaddleOCRTurn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100+ languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCR