PaddleOCR выпустила PP-OCRv6: распознавание текста на 50 языках от 1,5 до 34,5 млн параметров

Baidu PaddlePaddle ha lanzado PP-OCRv6 en Hugging Face — una nueva generación de modelos OCR universales que reconocen texto en 50 idiomas dentro de una única arquitectura. Las mejoras de rendimiento en métricas clave en comparación con la versión anterior del servidor varían de 4,6 a 5,1 puntos porcentuales, y el límite inferior de la familia de modelos se ajusta a 1,5 millones de parámetros.

Tres Configuraciones para Diferentes Tareas

PP-OCRv6 viene en tres variantes: Tiny, Small y Medium. El rango de parámetros — de 1,5 a 34,5 millones — abarca el espectro desde sistemas integrados con restricciones rigurosas de memoria hasta pipelines de servidor donde la precisión máxima es crítica.

Métricas principales para las tres configuraciones:

• Tiny (1,5 millones de parámetros) — detección 80,6% Hmean, reconocimiento 73,5%
• Small (7,7 millones de parámetros) — detección 84,1% Hmean, reconocimiento 81,3%
• Medium (34,5 millones de parámetros) — detección 86,2% Hmean, reconocimiento 83,2%

Las versiones Small y Medium admiten 50 idiomas dentro de un único modelo: chino simplificado y tradicional, inglés, japonés y 46 idiomas basados en latín. Esto elimina la necesidad de mantener y actualizar modelos de idioma separados — una de las mayores complejidades operativas en pipelines OCR de producción con audiencias globales.

La versión Tiny está diseñada para escenarios donde la velocidad de inferencia es prioritaria bajo recursos computacionales limitados y la cobertura completa del idioma no es crítica.

Arquitectura: Núcleos Grandes y Atención Ligera

Las tres configuraciones se basan en una columna vertebral unificada PPLCNetV4 que combina tareas de detección y reconocimiento de texto. La unificación reduce los costos de mantenimiento y simplifica las transiciones entre tamaños de modelo sin reconstruir el pipeline.

La detección de texto utiliza RepLKFPN — una pirámide de características ligera basada en núcleos convolucionalesgrandes. Este diseño permite el manejo simultáneo de texto en diferentes escalas: desde fuentes pequeñas en documentos legales hasta caracteres grandes en etiquetas industriales y letreros callejeros.

El reconocimiento es manejado por EncoderWithLightSVTR — un híbrido de modelado contextual local y mecanismos de atención global.

Los modelos se probaron en una ampla gama de escenarios industriales: documentos comerciales, capturas de pantalla de interfaz, etiquetas de precio, pantallas digitales, letreros y texto en escenas naturales. En comparación con PP-OCRv5_server, las mejoras fueron +4,6 puntos porcentuales en detección y +5,1 puntos porcentuales en reconocimiento.

Tres Caminos a la Producción

PaddleOCR 3.7 proporciona una API unificada para tres backends de implementación:

• Transformers — integración nativa con Hugging Face Hub y pipelines de PyTorch sin configuración adicional
• ONNX Runtime — formato multiplataforma sin dependencias del framework; conveniente para infraestructura heterogénea que mezcla Python, C++ y clientes móviles
• Paddle Inference — formato nativo para máximo rendimiento en infraestructura Baidu

Se ha publicado una colección de 19 modelos en Hugging Face: versiones safetensors, archivos de inferencia Paddle y variantes ONNX — puntos de control separados para detección y reconocimiento en cada tamaño.

La inferencia devuelve dos tipos de datos: JSON estructurado con coordenadas de cuadro delimitador y texto reconocido, así como una imagen con visualización para tareas que requieren verificación visual.

Para pruebas rápidas sin instalación de paquetes, hay una demostración interactiva disponible en Hugging Face Spaces.

Qué Significa Esto

PP-OCRv6 aborda dos desafíos prácticos simultáneamente: cobertura multilingüe sin proliferación de modelos separados y flexibilidad de implementación sin acoplamiento rígido al ecosistema PaddlePaddle.

La disponibilidad en Hugging Face hace que la biblioteca sea accesible para cualquier equipo de Python — para tareas de documentos en múltiples idiomas, es ahora una de las opciones más compactas y bien documentadas en código abierto.