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

Baidu PaddlePaddle выложила PP-OCRv6 на Hugging Face — новое поколение универсальных OCR-моделей, распознающих текст на 50 языках в единой архитектуре. Прирост по ключевым метрикам относительно предыдущей серверной версии составляет от 4,6 до 5,1 процентных пункта, а нижняя граница семейства уместилась в 1,5 млн параметров.

Три конфигурации под разные задачи PP-OCRv6 выходит в трёх вариантах: Tiny, Small и Medium.

Разброс параметров — от 1,5 до 34,5 млн — перекрывает диапазон от встраиваемых систем с жёсткими ограничениями памяти до серверных пайплайнов, где важна максимальная точность. Ключевые показатели трёх конфигураций: Tiny (1,5 млн параметров) — детекция 80,6% Hmean, распознавание 73,5% Small (7,7 млн параметров) — детекция 84,1% Hmean, распознавание 81,3% * Medium (34,5 млн параметров) — детекция 86,2% Hmean, распознавание 83,2% Версии Small и Medium поддерживают 50 языков в рамках одной модели: упрощённый и традиционный китайский, английский, японский и 46 языков на базе латиницы. Это устраняет необходимость хранить и обновлять отдельные языковые модели — одна из главных операционных сложностей в производственных OCR-пайплайнах с глобальной аудиторией.

Tiny-версия ориентирована на сценарии, где приоритет — скорость инференса при ограниченных вычислительных ресурсах, а полное языковое покрытие некритично.

Архитектура: большие ядра и лёгкое внимание

Все три конфигурации строятся на едином бэкбоне PPLCNetV4, объединяющем задачи детекции и распознавания текста. Унификация снижает стоимость поддержки и упрощает переход между размерами модели без перестройки пайплайна. Для обнаружения текста используется RepLKFPN — лёгкая пирамида признаков на основе крупных ядер свёртки. Такая конструкция позволяет одновременно работать с текстом разного масштаба: от мелкого шрифта в юридических документах до крупных символов на промышленных этикетках и уличных вывесках. За распознавание отвечает EncoderWithLightSVTR — гибрид локального контекстного моделирования и глобального механизма внимания. Модели тестировались на широком наборе промышленных сценариев: деловые документы, скриншоты интерфейсов, ценники, цифровые табло, вывески и текст в натуральных сценах. По сравнению с PP-OCRv5_server прирост составил +4,6 п.п. в детекции и +5,1 п.п. в распознавании.

Три пути до продакшна

PaddleOCR 3.7 предоставляет единый API для трёх бэкендов развёртывания: Transformers — нативная интеграция с Hugging Face Hub и PyTorch-пайплайнами без дополнительной настройки ONNX Runtime — кроссплатформенный формат без привязки к фреймворку; удобен в гетерогенной инфраструктуре, где смешаны Python, C++ и мобильные клиенты * Paddle Inference — нативный формат для максимальной производительности в инфраструктуре Baidu На Hugging Face опубликована коллекция из 19 моделей: safetensors-версии, файлы Paddle inference и ONNX-варианты — отдельные чекпоинты для детекции и распознавания по каждому размеру. Инференс возвращает два типа данных: структурированный JSON с координатами боксов и распознанным текстом, а также изображение с визуализацией для задач, где нужна наглядная верификация. Для быстрой проверки без установки пакетов доступна интерактивная демо-площадка на Hugging Face Spaces.

Что это значит PP-OCRv6 решает две практические задачи одновременно:

многоязычный охват без разрастания зоопарка отдельных моделей и гибкость развёртывания без жёсткой привязки к стеку PaddlePaddle. Выход на Hugging Face делает библиотеку доступной для любой Python-команды — для задач с документами на нескольких языках это сейчас один из наиболее компактных и хорошо задокументированных вариантов в открытом доступе.