企业官网建设流程全解析

PaddleOCR PP-OCRv6：多语言 OCR 的三档轻量模型，端侧部署不再二选一

【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 是百度开源的 OCR 工具箱，PP-OCRv6 是其中最新的文字识别模型族。本文沿数据流拆一遍 PPLCNetV4 骨干与检测/识别链路，读完你能判断三档模型各自的适用边界，也能用 5 行代码跑通一条识别。

这一代到底解决了什么

上一代 v5 的麻烦在于：端侧和服务端各维护一套骨干与颈部，参数规模不统一，多语言覆盖则靠"换字典换模型"来拼凑。PP-OCRv6 的取舍是：一个 PPLCNetV4 骨干同时服务检测与识别，用通道宽度而不是网络深度区分 tiny/small/medium 三档，再用一份字典容纳 50 种语言。代价也很明确——tiny 档为了守住约 1.1M 参数的输出层规模，放弃日文。

拆开看：数据怎么流过整个模型

整条链路的形状是"输入 → 骨干 → 颈部 → 头 → 输出"。输入分两种：检测侧吃 640×640 的整图，识别侧吃检测裁剪出的 48×320 文字条。

骨干：一个 PPLCNetV4 通吃两个任务

骨干负责从像素里提取特征。PP-OCRv6 的检测和识别共用同一个 PPLCNetV4，每个基础块遵循 MetaFormer 思路：先处理"位置"再处理"通道"——3×3 深度卷积只搬运空间邻域信息（Token Mixer，可选 SE 通道注意力），1×1 卷积做通道变换（Channel Mixer，扩展 2 倍 + GELU 激活）。核心计算只有一条：

$$\mathbf{y} = W_2,\sigma(W_1,\text{SE}(\text{DW}(\mathbf{x}))) + \text{SE}(\text{DW}(\mathbf{x}))$$

空间卷积部分还有一个结构重参数化设计：训练时是"大核 + 小核 + 恒等"三条路并联，部署前用 rec_lcnetv4.py#L439 中的LCNetV4Block.rep()在数学上等价地合并回单个卷积——训练吃多分支的梯度红利，推理零额外开销。

同一个骨干怎么适配两种任务，靠的是下采样策略。检测需要多尺度特征图：标准 stride-2 下采样产出 4 级输出，medium 档通道从 128 逐级翻倍到 896（见 rec_lcnetv4.py#L80）。识别则需要 1D 序列：Stage 3/4 改用非对称 stride (2,1)，只压高度、保留宽度，让字符的横向顺序不被下采样打散，最后沿高度平均池化得到序列特征。配置里这一行就是区别所在（PP-OCRv6_medium_rec.yml#L158）：

"blocks4": [ [3, 256, 512, (2, 1), False],

检测颈部：大感受野换小目标召回

检测侧解决的是"文字在哪"。v5 的 RSEFPN 用 3×3 普通卷积提特征，感受野太小，小字号和密集排版容易漏。RepLKFPN 把这部分换成 7×7 深度大核，且训练时是"1 个 7×7 + 3 个膨胀小卷积"并联（见 db_fpn.py#L307 的RepLKFPN与 db_fpn.py#L554 的DilatedReparamBlock），部署时同样合并回单卷积，零推理成本。颈部把 4 级特征做自底向上加法融合，并用 IntraCL 模块做通道内交互；训练态在 P2/P3/P4 各挂一个辅助预测头（db_fpn.py#L419），给小文本更强的梯度信号，推理态只返回融合结果：

aux_weight_p4: 0.2 aux_weight_p3: 0.3 aux_weight_p2: 0.4

识别颈部：局部卷积打底，两层注意力看全局

颈部把骨干的 2D 特征加工成对解码友好的序列。EncoderWithLightSVTR 的做法是：1×1 卷积压通道，接 1×7 深度卷积注入局部上下文——字符识别主要靠横向邻域，宽度 7 正好覆盖一个字符的宽度；然后展平成序列过 2 层全局自注意力，最后输出加回 1×1 卷积的跳变特征（rnn.py#L242）。注意这里用的是加法而不是 v5 的拼接，省下一截参数。

解码端是 CTCHead 逐位对齐，推理时它一个就够；NRTRHead 只在训练时通过MultiLoss提供第二份监督，推理时整个移除（rec_multi_head.py#L67）。

输出：50 种语言其实只是两份字典

DB 检测头输出概率图，阈值二值化加连通域分析变成多边形框；识别侧 CTCLabelDecode 贪心解码出字符索引。所谓 50 语言不是 50 套权重，而是同一套权重配不同字典：medium/small 档用 1.87 万行字符表（ppocrv6_dict.txt），tiny 档用 6900 行（ppocrv6_tiny_dict.txt），约 200 个带变音符号字符靠字典扩展纳入，推理时贪心解码后按字典还原 50 种语言的文本。

数字说话：精度和速度到底涨了多少

两个单点数字最有冲击力：PP-OCRv6_medium 相比 PP-OCRv5_server，GPU 推理快 2.37 倍，识别精度还高 5.1 个百分点（根据官方内部多场景基准）；tiny 档仅 1.1M 参数，识别准确率已超过对比表中 4 个大型视觉语言模型。

（精度为官方内部多场景基准 16 类检测 + 15 类识别平均；速度为官方 200 张图端到端测试，含读图与前后处理。）

对选型的含义：medium 在 A100 上比 v5_server 快 1.1 倍且精度更高，替换是零风险决策；tiny 比 v5_mobile 快 6.1 倍（Apple M4，PaddlePaddle 后端）而精度反而更高；v5_server 在 Intel Xeon 上要 7.3s/张，v6_medium 用 OpenVINO 只需 1.4s/张，CPU 部署的收益最大。

跑起来：5 行代码跑通第一条识别

Python API 默认加载 medium 档：

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

CLI 对应写法：

paddleocr ocr -i general_ocr_002.png \ --use_doc_orientation_classify False \ --use_doc_unwarping False \ --use_textline_orientation False

三个关键参数值得解释。use_doc_orientation_classify是文档方向分类，处理整页 180° 颠倒的扫描件；use_doc_unwarping是文档矫正，把弯曲拍照的页面拉直；use_textline_orientation是文本行方向分类，处理上下颠倒的文字行。三者各是一个独立的前置模型，关掉就是省掉三次推理——纯电子图、印刷件直接关，倾斜扫描件再开。

上生产之前：部署与二次开发入口

• 🚀 兼容 Windows / Linux / Mac 主流系统
• 支持 NVIDIA GPU、Intel CPU、昇腾、昆仑芯
• 可启用 enable_hpi，走 ONNX Runtime 加速
• 提供高稳定性服务化部署方案
• 支持自定义数据集训练、字典扩展、模型微调
• 模型可导出，接入 C++ 推理与移动端 SDK

怎么选：三档模型的选型建议

如果只记一句话：先上 medium 保精度，测出延迟瓶颈再降档，别一上来就选最小的。

【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