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

Baidu PaddlePaddle lançou PP-OCRv6 no Hugging Face — uma nova geração de modelos OCR universais que reconhecem texto em 50 idiomas dentro de uma única arquitetura. As melhorias de desempenho nas métricas-chave em comparação com a versão de servidor anterior variam de 4,6 a 5,1 pontos percentuais, e o limite inferior da família de modelos se enquadra em 1,5 milhão de parâmetros.

Três Configurações para Diferentes Tarefas

PP-OCRv6 vem em três variantes: Tiny, Small e Medium. O intervalo de parâmetros — de 1,5 a 34,5 milhões — abrange o espectro de sistemas embarcados com restrições rigorosas de memória até pipelines de servidor onde a precisão máxima é crítica.

Métricas principais para as três configurações:

• Tiny (1,5 milhão de parâmetros) — detecção 80,6% Hmean, reconhecimento 73,5%
• Small (7,7 milhões de parâmetros) — detecção 84,1% Hmean, reconhecimento 81,3%
• Medium (34,5 milhões de parâmetros) — detecção 86,2% Hmean, reconhecimento 83,2%

As versões Small e Medium suportam 50 idiomas dentro de um único modelo: chinês simplificado e tradicional, inglês, japonês e 46 idiomas baseados em latim. Isso elimina a necessidade de manter e atualizar modelos de linguagem separados — uma das maiores complexidades operacionais em pipelines OCR de produção com audiências globais.

A versão Tiny é projetada para cenários em que a velocidade de inferência é prioritária sob recursos computacionais limitados, e a cobertura abrangente de idiomas não é crítica.

Arquitetura: Núcleos Grandes e Atenção Leve

Todas as três configurações são construídas em uma espinha dorsal unificada PPLCNetV4 que combina tarefas de detecção e reconhecimento de texto. A unificação reduz custos de manutenção e simplifica as transições entre tamanhos de modelo sem reconstruir o pipeline.

A detecção de texto usa RepLKFPN — uma pirâmide de recursos leve baseada em núcleos convolucionais grandes. Este design permite o tratamento simultâneo de texto em diferentes escalas: desde fontes pequenas em documentos legais até caracteres grandes em rótulos industriais e placas de rua.

O reconhecimento é tratado por EncoderWithLightSVTR — um híbrido de modelagem contextual local e mecanismos de atenção global.

Os modelos foram testados em uma ampla gama de cenários industriais: documentos comerciais, capturas de tela de interface, etiquetas de preço, painéis digitais, placas e texto em cenas naturais. Comparado a PP-OCRv5_server, as melhorias foram +4,6 pontos percentuais em detecção e +5,1 pontos percentuais em reconhecimento.

Três Caminhos para Produção

PaddleOCR 3.7 fornece uma API unificada para três backends de implantação:

• Transformers — integração nativa com Hugging Face Hub e pipelines PyTorch sem configuração adicional
• ONNX Runtime — formato multiplataforma sem dependências de framework; conveniente para infraestrutura heterogênea que mistura Python, C++ e clientes móveis
• Paddle Inference — formato nativo para desempenho máximo na infraestrutura Baidu

Uma coleção de 19 modelos foi publicada no Hugging Face: versões safetensors, arquivos de inferência Paddle e variantes ONNX — checkpoints separados para detecção e reconhecimento em cada tamanho.

A inferência retorna dois tipos de dados: JSON estruturado com coordenadas de caixa delimitadora e texto reconhecido, bem como uma imagem com visualização para tarefas que requerem verificação visual.

Para teste rápido sem instalação de pacotes, uma demonstração interativa está disponível no Hugging Face Spaces.

O Que Isso Significa

PP-OCRv6 aborda dois desafios práticos simultaneamente: cobertura multilíngue sem proliferação de modelos separados e flexibilidade de implantação sem acoplamento rígido ao ecossistema PaddlePaddle.

A disponibilidade no Hugging Face torna a biblioteca acessível a qualquer equipe Python — para tarefas de documentos em múltiplos idiomas, é agora uma das opções mais compactas e bem documentadas em código aberto.