PaddleOCR 多语言 OCR 全景指南：从印地语（天城文）到 80 语种模型的安装、推理与训练-创锋一号

PaddleOCR 多语言 OCR 全景指南：从印地语（天城文）到 80 语种模型的安装、推理与训练

【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

PaddleOCR 是一个面向多语言场景的实用 OCR 工具库，致力于把"图片/PDF 中的文字"高效地转化为结构化文本数据。本文以仓库印地语首页文档（docs/index/index.hi.md）为骨架，系统梳理 PaddleOCR 的快速体验、PP-OCR 系列模型、80 语种支持机制、自定义训练与推理部署全流程；读完你既能用一行命令跑通印地语等小语种识别，也能理解语言模型在源码层是如何组织与切换的。

PaddleOCR 项目定位：多语言、实用的 OCR 工具库

PaddleOCR 的目标是打造一套"丰富、领先且实用"的 OCR 工具库。除了通用中英文模型，它还提供了专门面向英文场景训练的模型，以及覆盖 80 种语言的小语种模型。英文模型优化了大小写字母、常见标点与空格字符的识别；小语种模型则覆盖拉丁语系、阿拉伯语系、中文繁体、韩语、日语、天城文语系等。

印地语首页文档给出的项目愿景（प्रस्तावना）可以概括为三点：多语言（बहुभाषी）、高精度（शानदार）与可落地（व्यावहारिक）——即不仅要把模型训练出来，还要帮助用户在生产环境中真正用起来。围绕这一目标，项目沉淀了完整的产线：数据标注与合成、模型训练、模型压缩（量化/剪枝/蒸馏）、推理与多端部署，以及基于 PP-OCR 与 PP-Structure 的文档智能分析能力。

从源码结构看，多语言能力并非简单"贴标签"，而是贯穿了 CLI、管道（Pipeline）与底层语言分组三个层次：

CLI 入口 paddleocr/_cli.py 将PaddleOCR等管道与TextDetection、TextRecognition等模型注册为子命令，paddleocr命令行的所有参数都经由argparse统一解析；
语言分组常量定义在 paddleocr/_utils/langs.py，其中DEVANAGARI_LANGS明确收录了hi（印地语）、mr（马拉地语）、ne（尼泊尔语）等 13 种天城文字系语言，与印地语文档中--lang=hi的用法一一对应；
各语言的字符集则落在 ppocr/utils/dict/ 目录下的字典文件中（如devanagari_dict.txt、korean_dict.txt等），识别模型的输出类别空间即由这些字典决定。

快速体验：一条命令跑通印地语 OCR

印地语首页文档提供了最小化的快速体验路径，仅需两个安装步骤加一条命令：

# 1. 安装飞桨深度学习框架（GPU 用户请安装 paddlepaddle-gpu） pip3 install paddlepaddle # 2. 安装 PaddleOCR pip3 install paddleocr # 3. 直接对图片做"检测 + 识别"整图预测，--lang=hi 指定印地语 paddleocr --image_dir /your/test/image.jpg --lang=hi

其中--lang参数是切换语种的开关。PaddleOCR 支持的语言缩写非常多，例如ch（中英文）、en（英文）、fr（法文）、german（德文）、japan（日文）、korean（韩文）、hi（印地语）等。

完整的语言缩写与语种对照表可查阅多语言模型教程中的"支持语种及缩写"章节，该章节以两列对照表的形式列出了全部 80 个语种，例如：

语种	缩写	语种	缩写
中文（Chinese & English）	ch	保加利亚文（Bulgarian）	bg
英文（English）	en	乌克兰文（Ukranian）	uk
法文（French）	fr	白俄罗斯文（Belarusian）	be
德文（German）	german	泰卢固文（Telugu）	te
日文（Japanese）	japan	泰米尔文（Tamil）	ta
韩文（Korean）	korean	阿拉伯文（Arabic）	ar
中文繁体（Chinese Traditional）	chinese_cht	印地文（Hindi）	hi
意大利文（Italian）	it	尼泊尔文（Nepali）	ne
西班牙文（Spanish）	es	乌尔都文（Urdu）	ur
葡萄牙文（Portuguese）	pt	马来文（Malay）	ms
俄罗斯文（Russian）	ru	越南文（Vietnamese）	vi

从源码看，paddleocr/_utils/langs.py 将这些语言进一步归类为LATIN_LANGS（拉丁语系，40+ 种）、ARABIC_LANGS（阿拉伯语系）、CYRILLIC_LANGS（西里尔语系）与DEVANAGARI_LANGS（天城文语系），OCR 管道据此选择对应的检测/识别模型与字典，这就是"改一个--lang参数即可切换语种"的底层实现机制。

PP-OCR 系列模型：从超轻量到高精度的多语言方案

印地语首页文档给出了一张 PP-OCR 系列模型清单，覆盖移动端与服务器端两类典型场景：

模型介绍	模型名称	推荐场景	检测模型	识别模型
印地语超轻量 PP-OCRv3 系统（9.9M）	devanagari_PP-OCRv3_xx	移动端与服务器端	多语言 PP-OCRv3 检测推理模型	devanagari PP-OCRv3 识别推理模型
英文超轻量 PP-OCRv3 模型（13.4M）	en_PP-OCRv3_xx	移动端与服务器端	英文 PP-OCRv3 检测推理模型	英文 PP-OCRv3 移动端识别推理模型
中英文超轻量 PP-OCRv3 模型（16.2M）	ch_PP-OCRv3_xx	移动端与服务器端	PP-OCRv3 移动端检测推理模型	PP-OCRv3 移动端识别推理模型

更完整的模型清单见 PP-OCR 系列模型列表。该文档对模型类型做了清晰划分，可帮助理解上述表格：

推理模型（inference.pdmodel+inference.pdiparams）：用于预测引擎直接推理，是命令行/whl 包默认拉取的格式；
训练模型 / 预训练模型（*.pdparams、*.pdopt、*.states）：训练过程中保存的参数与优化器状态，用于指标评估与恢复训练；
nb 模型（*.nb）：经飞桨 Paddle-Lite 优化后的端侧模型，面向移动端 / IoT 场景。

多语言识别模型部分，PP-OCR 系列模型列表为每个语种都配了独立字典与训练配置文件，例如：

模型名称	字典文件	模型简介	配置文件
korean_PP-OCRv3_mobile_rec	ppocr/utils/dict/korean_dict.txt	韩文识别	configs/rec/PP-OCRv3/multi_language/ 下的对应 yml
japan_PP-OCRv3_mobile_rec	ppocr/utils/dict/japan_dict.txt	日文识别	同上
devanagari_PP-OCRv3_mobile_rec	ppocr/utils/dict/devanagari_dict.txt	梵文/天城文识别（覆盖印地语）	同上
arabic_PP-OCRv3_mobile_rec	ppocr/utils/dict/arabic_dict.txt	阿拉伯字母	同上
cyrillic_PP-OCRv3_mobile_rec	ppocr/utils/dict/cyrillic_dict.txt	斯拉夫字母	同上

多语言检测模型（ml_PP-OCRv3_det）与中文检测模型结构完全相同，仅训练数据不同，因此共用同一份配置文件；多语言识别模型则以"语种专属字典 + 专属训练配置"的形式逐语种提供。

命令行与 Python 双入口：整图预测、检测与识别拆分

印地语首页文档把"快速上手"定位为入口，实际使用时可以参考快速开始与多语言模型教程，两者提供了完整的 CLI 与 Python 用法。

命令行模式

整图预测（检测 + 识别），结果是一个 list，每个 item 包含文本框、文字与识别置信度：

paddleocr --image_dir doc/imgs_en/254.jpg --lang=en

输出示例：

[('PHO CAPITAL', 0.95723116), [[66.0, 50.0], [327.0, 44.0], [327.0, 76.0], [67.0, 82.0]]] [('107 State Street', 0.96311164), [[72.0, 90.0], [451.0, 84.0], [452.0, 116.0], [73.0, 121.0]]]

仅做识别（跳过检测），--det false：

paddleocr --image_dir doc/imgs_words_en/word_308.png --det false --lang=en # 输出 (0.99879867, 'LITTLE')

仅做检测（跳过识别），--rec false：

paddleocr --image_dir PaddleOCR/doc/imgs/11.jpg --rec false # 输出仅含文本框坐标的 list

方向分类器可通过--use_angle_cls true开启，用于处理 180 度旋转文字；--use_gpu false可在纯 CPU 环境运行。PaddleOCR 还支持直接输入 PDF，并通过--page_num控制参与推理的页数（默认 0 表示全部页）。模型版本可用--ocr_version指定（如PP-OCRv4、PP-OCRv3）。

Python 脚本模式

from paddleocr import PaddleOCR, draw_ocr # 通过 lang 参数切换语种，首次执行会自动下载模型 ocr = PaddleOCR(lang="korean") img_path = 'doc/imgs/korean_1.jpg' result = ocr.ocr(img_path) # 整图预测（检测 + 识别） # result = ocr.ocr(img_path, det=False) # 仅识别 # result = ocr.ocr(img_path, rec=False) # 仅检测 # 可视化 from PIL import Image image = Image.open(img_path).convert('RGB') boxes = [line[0] for line in result] txts = [line[1][0] for line in result] scores = [line[1][1] for line in result] im_show = draw_ocr(image, boxes, txts, scores, font_path='/path/to/PaddleOCR/doc/fonts/korean.ttf') Image.fromarray(im_show).save('result.jpg')

提示：仓库 doc/fonts/ 目录下提供了korean.ttf、japan.ttc、arabic.ttf、hindi.ttf等多语言可视化字体，绘制结果时需要为对应语种指定正确的字体文件，否则会出现文字乱码。

PDF 场景下，快速开始给出了配合PyMuPDF (fitz)逐页渲染并调用draw_ocr保存result_page_N.jpg的完整示例；超长图场景则可使用slice滑动窗口参数，将大图切块识别后再合并结果。

多语言识别效果：可视化验证

PP-OCRv3 多语言模型在日文、韩文等场景下的识别效果，见下图（更多效果图可参考多语言模型教程的可视化部分）：

印地语首页文档的可视化章节（विज़ुअलाइज़ेशन）同样以 PP-OCRv3 多语言模型、英文模型、中文模型以及 PP-Structurev2（版面分析 + 表格识别、SER 语义实体识别、RE 关系抽取）为主题，展示效果可进一步在仓库 docs/version2.x/ppocr/visualization.md 中查看。

自定义训练：用自己的数据 finetune 多语言模型

当内置语种或通用模型无法满足业务精度时，PaddleOCR 支持使用自有数据做自定义训练或 finetune。多语言模型教程以法语模型为例，说明了完整流程——先改配置文件，再启动训练。

修改识别训练配置（以 configs/rec/multi_language/rec_french_lite_train.yml 为模板）：

Global: ... # 指向自定义字典，如法语字典 character_dict_path: ./ppocr/utils/dict/french_dict.txt ... # 是否识别空格 use_space_char: True Train: dataset: name: SimpleDataSet # 支持 SimpleDataSet 与 LMDBDataSet data_dir: ./train_data/ # 数据集路径 label_file_list: ["./train_data/french_train.txt"] # 训练集标签文件 Eval: dataset: name: SimpleDataSet data_dir: ./train_data label_file_list: ["./train_data/french_val.txt"] # 验证集标签文件

下载预训练模型并启动训练（单卡 / 多卡）：

# 下载预训练模型并解压 wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/multilingual/french_mobile_v2.0_rec_train.tar tar -xf french_mobile_v2.0_rec_train.tar # 单卡训练，通过 -o 覆盖配置中的预训练模型路径 python3 tools/train.py -c configs/rec/rec_french_lite_train.yml \ -o Global.pretrained_model=french_mobile_v2.0_rec_train/best_accuracy # 多卡训练，通过 --gpus 指定卡号 python3 -m paddle.distributed.launch --gpus '0,1,2,3' tools/train.py \ -c configs/rec/rec_french_lite_train.yml \ -o Global.pretrained_model=french_mobile_v2.0_rec_train/best_accuracy

数据准备与训练细节可分别参考文本识别训练与文本检测训练。印地语首页文档也给出了模型训练之外的两条进阶路径：模型压缩（量化 deploy/slim/quantization/README_en.md、剪枝 deploy/slim/prune/README_en.md、知识蒸馏 docs/version2.x/ppocr/model_compress/knowledge_distillation.md）以及多端部署（Python / C++ 推理、服务化部署、端侧部署、Paddle2ONNX 转换）。

新语言支持与社区机制

印地语首页文档专门开辟了"新语言请求"（नई भाषा अनुरोध）章节，明确了语言扩展的两种路径：

请求官方新增语种：如果希望官方升级某语言模型，可参与多语言模型升级投票，官方会定期根据投票结果迭代模型；
自行训练新语种模型：如果业务场景需要自定义语言，可按多语言模型训练教程准备数据集并逐步完成训练全流程。

仓库 docs/version2.x/ppocr/blog/multi_languages.md 对"新增语言需要哪些配套资源"给出了完整答案：每种语言对应一份字典文件（ppocr/utils/dict/）、一份训练配置（configs/rec/multi_language/）以及可选的专属字体文件（doc/fonts/），新增语言本质上是补齐这三类资源并完成训练与评测。

环境准备与更多教程导航

首次使用建议按以下顺序阅读仓库文档（以下路径均相对仓库根目录）：

运行环境准备：环境准备
PP-OCR 快速上手：快速开始（覆盖中英文、多语言、PDF 与滑动窗口）
模型训练：训练文档（检测 / 识别 / 方向分类三个子任务）
模型压缩：量化、剪枝、知识蒸馏（deploy/slim/ 目录）
推理与部署：deploy/README.md（Python、C++、服务化、移动端、Paddle2ONNX、PaddleCloud）
PP-Structure 文档智能分析：ppstructure/README.md（版面分析、表格识别、关键信息提取）
学术算法概览：docs/version2.x/algorithm/overview.md
数据标注与合成：docs/data_anno_synth/data_annotation.md、docs/data_anno_synth/data_synthesis.md
公开数据集：docs/datasets/ 目录（通用 OCR、手写、版面、表格、KIE、多语种数据集）
常见问题：docs/FAQ.md

开源许可

综上，PaddleOCR 的多语言能力并非停留在口号层面：从印地语首页文档的快速体验命令，到 paddleocr/_utils/langs.py 中的天城文语言分组，再到 ppocr/utils/dict/ 的逐语种字典与 configs/rec/multi_language/ 的训练配置，整个链条清晰可循。无论是用paddleocr --image_dir xxx.jpg --lang=hi快速验证，还是基于自己的数据集训练新语种模型，这条多语言 OCR 通路都能直接复用。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析