PaddleOCR 的 PP-OCR 系列全景解析：从两阶段架构到 v2/v3/v4 版本演进与实战部署

PaddleOCR 的 PP-OCR 系列全景解析：从两阶段架构到 v2/v3/v4 版本演进与实战部署

【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

PP-OCR 是 PaddleOCR 自研的超轻量 OCR 系统，围绕"精度与速度平衡、可产业落地"的目标，在文本检测、方向分类与文本识别三段式 pipeline 上持续迭代。本文以 PP-OCR 系列为核心，完整梳理其系统架构、从 PP-OCR 到 PP-OCRv4 的版本演进与技术要点、模型特性与 benchmark 口径，并结合仓库中的配置文件与源码给出可复现的安装、命令行、Python 调用与模型选型方案。

1. 系统定位与总体架构

PP-OCR 是 PaddleOCR 自研的实用型超轻量 OCR 系统，它在实现前沿算法的基础上，考虑精度与速度的平衡，通过模型瘦身与深度优化，尽可能满足产业落地需求。

PP-OCR 是一个两阶段 OCR 系统，核心由三个模块串联组成：

• 文本检测模块：选用 DB（Differentiable Binarization） 算法，负责在整图中定位文本区域；
• 文本方向分类模块：在检测与识别之间插入文本方向分类器，用于纠正 0°/180° 旋转的文本行，应对不同方向的文本识别；
• 文本识别模块：选用 CRNN 算法，将检测出的文本行图像转换为文字序列。

从仓库源码结构看，这一三段式流程在 paddleocr/_pipelines/ocr.py 中有对应实现：检测结果经方向分类器矫正后送入识别器，最终返回"文本框 + 文本 + 置信度"的结构化结果。而在配置层面，三套模型分别由configs/det/、configs/cls/、configs/rec/下的 YAML 文件定义，例如 PP-OCRv4_mobile_det.yml、cls_mv3.yml、PP-OCRv3_mobile_rec.yml。

PP-OCR 系统持续迭代，目前已发布PP-OCR、PP-OCRv2、PP-OCRv3、PP-OCRv4四个版本，下文按版本逐一拆解其演进脉络。

2. 版本演进：从 PP-OCR 到 PP-OCRv4

2.1 PP-OCR：19 个策略打造 3.5M 超轻量模型

第一代 PP-OCR 从骨干网络选择与调整、预测头部设计、数据增强、学习率变换策略、正则化参数选择、预训练模型使用、模型自动裁剪量化共 8 个方面入手，采用19 个有效策略，对各个模块的模型进行效果调优与瘦身，最终得到：

• 3.5M 的超轻量中英文 OCR 模型；
• 2.8M 的英文数字 OCR 模型。

更多细节可参考 PP-OCR 技术报告（arXiv:2009.09941）。

2.2 PP-OCRv2：5 个方向的重点优化

PP-OCRv2 在 PP-OCR 基础上进一步在 5 个方面重点优化：

• 检测模型：采用CML（Collaborative Mutual Learning）协同互学习知识蒸馏策略与CopyPaste 数据增广策略；
• 识别模型：采用LCNet 轻量级骨干网络、UDML 改进知识蒸馏策略与 Enhanced CTC loss 损失函数改进。

以上策略在推理速度与预测效果上均取得明显提升，技术细节见 PP-OCRv2 技术报告（arXiv:2109.03144）。

2.3 PP-OCRv3：9 个方面的系统升级

PP-OCRv3 保持与 PP-OCRv2 相同的整体 pipeline，但针对检测与识别模型共进行了9 个方面的升级，详见 PP-OCRv3 技术解读：

检测模块（3 项）

• LK-PAN：大感受野的 PAN 结构，将 path augmentation 中的卷积核从3*3扩大为9*9，更易检测大字与极端长宽比文本；
• DML：教师模型间的 Deep Mutual Learning 互学习策略；
• RSE-FPN：残差注意力机制的 FPN 结构，在 FPN 通道数较小的前提下引入残差结构缓解特征抑制问题。

识别模块（6 项）

• SVTR_LCNet：将基于 Transformer 的 SVTR 与轻量级 CNN 网络 PP-LCNet 融合的轻量级文本识别网络；
• GTC：Attention 指导 CTC 的训练策略，推理时完全去除 Attention 模块，不增加任何耗时；
• TextConAug：挖掘文字上下文信息的数据增广策略（借鉴 ConCLR 思想，在一个 batch 内联结 2 张不同图像）；
• TextRotNet：利用大量无标注文本行数据自监督训练的预训练模型；
• UDML：联合互学习策略，对 PP-LCNet 特征图、SVTR 输出与 Attention 输出同时监督；
• UIM：无标注数据挖掘方案，用高精度大模型打伪标签并筛选高置信度样本训练小模型。

PP-OCRv3 系统 pipeline 如下：

从效果上看，速度可比情况下：中文场景较 PP-OCRv2 提升超 5%，英文数字场景提升 11%，多语言场景（80+ 语种）平均准确率提升超 5%。

2.4 PP-OCRv4：10 个方面的进一步优化

PP-OCRv4 延续 v3 pipeline，在数据、网络结构、训练策略等多个模块继续优化，详见 PP-OCRv4 技术解读：

检测模块（4 项）

• LCNetV3：精度更高的骨干网络（替换 MobileNetV3）；
• PFHead：并行 head 分支融合结构，经过转置卷积后并行上采样与转置卷积分支，级联融合输出概率图；
• DSR：训练中动态增加 shrink ratio（随 epoch 从 0.4 线性增至 0.6）；
• CML 增强：在 Student 与 Teacher 网络的 distill loss 中额外添加 KL div loss，拉近两者 response maps 分布。

识别模块（6 项）

• SVTR_LCNetV3：精度更高的骨干网络；
• Lite-Neck：精简参数的 Neck 结构，可将识别模型从 12M 降至 8.5M 且精度不变；
• GTC-NRTR：用训练更稳定的 Transformer 模型 NRTR 作为指导分支（替代 v3 中基于 RNN 的 SAR 分支）；
• Multi-Scale：多尺度训练策略，每个 iter 从 (32, 48, 64) 三种高度中随机选择进行 resize；
• DF：数据挖掘方案（Data Filter），先剔除置信度 >0.95 的冗余样本，再剔除 <0.15 的噪声样本，将千万级数据精简至百万级；
• DKD：DKD 蒸馏策略，NRTR head 使用 DKD loss，CTC head 将 logits 沿文本长度维度求均值做分类监督。

效果上，速度可比情况下：中文场景端到端 Hmean 较 PP-OCRv3 提升 4.5%，英文场景识别准确率提升 6%，多语言（80 语种）平均识别准确率提升超 8%。

3. 特性与模型体量概览

PP-OCR 系列的核心竞争力在于"超轻量"与"多语言"，官方给出的模型体量组合如下：

系列	检测模型	方向分类器	识别模型	整体
超轻量 PP-OCRv3 系列	3.6M	1.4M	12M	17.0M
超轻量 PP-OCRv2 系列	3.1M	1.4M	8.5M	13.0M
PP-OCR mobile 移动端系列	3.0M	1.4M	5.0M	9.4M
PP-OCR server 通用系列	47.1M	1.4M	94.9M	143.4M

此外还支持：

• 中英文数字组合识别、竖排文本识别、长文本识别；
• 多语言识别：韩语、日语、德语、法语等约80 种语言。

各语言对应的模型字典文件位于 ppocr/utils/dict/，例如韩文korean_dict.txt、日文japan_dict.txt、拉丁文latin_dict.txt等，可在模型列表中按语种查阅对应配置与下载地址。

4. Benchmark 口径

PP-OCR 系列模型之间的性能对比（检测/识别精度、模型大小、CPU 推理耗时等），统一收录在 benchmark 文档中。需要特别说明的是，各版本技术报告中的速度数据受测试环境影响较大：PP-OCRv2/v3 消融实验多基于Intel Gold 6148 CPU + MKLDNN 加速，PP-OCRv4 消融实验基于Intel Gold 6148 CPU + OpenVINO 预测引擎，且识别模型测试输入尺寸分为(3,32,320)与(3,48,320)两档。实际预测时图像为变长输入，速度会有变化，横向对比时应以相同环境为准。

5. 效果展示

PP-OCRv3 系列模型在中文、英文、多语言场景下的可视化效果可参考 效果展示页，其中包含：

• PP-OCRv3 中文模型：中文通用文档与场景图识别示例；
• PP-OCRv3 英文模型：英文文档识别示例；
• PP-OCRv3 多语言模型：日文、韩文等语种识别示例。

6. 使用教程：从快速体验到全流程开发

6.1 快速体验

• 在线体验：可在 Paddle 官方在线场景（ocr 场景）直接体验超轻量 PP-OCR mobile 模型效果；
• 移动端 Demo：基于 EasyEdge 与 Paddle-Lite 提供 iOS/Android 安装包，可下载体验端侧推理；
• 一行命令快速使用：详见快速开始（中英文/多语言）。

6.2 安装

安装 PaddlePaddle（以 CPU 为例）：

pip install "paddlepaddle<=2.6"

若机器安装 CUDA 11，则安装 GPU 版本：

pip install "paddlepaddle-gpu<=2.6"

更多版本需求参照飞桨官网安装文档；如果没有基础 Python 运行环境，可先参考运行环境准备。

安装 PaddleOCR whl 包：

pip install "paddleocr<3.0"

Windows 用户若遇到 shapely 的[winError 126] 找不到指定模块问题，需要手动安装预编译的 shapely 包。

6.3 命令行使用

下载官方测试图片并解压后，切换到图片目录即可开始：

cd /path/to/ppocr_img

检测 + 方向分类器 + 识别全流程（--use_angle_cls true启用方向分类器识别 180° 旋转文字，--use_gpu false关闭 GPU）：

paddleocr --image_dir ./imgs/11.jpg --use_angle_cls true --use_gpu false

输出是一个 list，每个 item 包含文本框、文字与识别置信度：

[[[28.0, 37.0], [302.0, 39.0], [302.0, 72.0], [27.0, 70.0]], ('纯臻营养护发素', 0.9658738374710083)]

单独使用检测（--rec false）：

paddleocr --image_dir ./imgs/11.jpg --rec false

单独使用识别（--det false）：

paddleocr --image_dir ./imgs_words/ch/word_1.jpg --det false

支持 PDF 输入，通过--page_num控制推理页数，0 表示全部页：

paddleocr --image_dir ./xxx.pdf --use_angle_cls true --use_gpu false --page_num 2

多语言切换：通过--lang参数切换语种，例如英文--lang=en：

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

常用语种缩写对照：中文ch、英文en、繁体中文chinese_cht、法文fr、德文german、意大利文it、日文japan、韩文korean、俄罗斯文ru；完整语种列表见多语言模型教程。

版本选择：paddleocr默认使用 PP-OCRv4 模型（--ocr_version PP-OCRv4），可手动指定其他版本：

版本名称	版本说明
PP-OCRv4	支持中、英文检测和识别，方向分类器，支持多语种识别
PP-OCRv3	支持中、英文检测和识别，方向分类器，支持多语种识别
PP-OCRv2	支持中英文的检测和识别，方向分类器，多语言暂未更新
PP-OCR	支持中、英文检测和识别，方向分类器，支持多语种识别

6.4 Python 脚本使用

whl 包会自动下载 PP-OCR 轻量级模型作为默认模型。中英文全流程示例：

from paddleocr import PaddleOCR, draw_ocr # 支持通过 lang 参数切换语种，如 ch / en / fr / german / korean / japan ocr = PaddleOCR(use_angle_cls=True, lang="ch") # 首次运行自动下载并加载模型 img_path = './imgs/11.jpg' result = ocr.ocr(img_path, cls=True) for idx in range(len(result)): res = result[idx] for line in res: print(line) # 结果可视化 from PIL import Image result = result[0] 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='./fonts/simfang.ttf') im_show = Image.fromarray(im_show) im_show.save('result.jpg')

PDF 输入：通过page_num指定页码，ocr.ocr(pdf_path, cls=True)直接识别，空页返回None时跳过，避免报错；可视化时可用fitz将 PDF 页渲染为图像后叠加绘制结果。

超大图滑动窗口：对超长/超大图像，可通过slice参数字典启用滑动窗口检测与识别，例如：

ocr = PaddleOCR(use_angle_cls=True, lang="en") slice = {'horizontal_stride': 300, 'vertical_stride': 500, 'merge_x_thres': 50, 'merge_y_thres': 35} results = ocr.ocr(img_path, cls=True, slice=slice)

更全面的切片操作说明见切片操作文档。

6.5 模型训练、压缩与推理部署

PP-OCR 系列模型的训练、压缩（裁剪/量化）、推理部署教程，均可在 docs/version2.x/ppocr 目录下找到：model_train/覆盖检测、识别、方向分类器的训练与微调；model_compress/覆盖模型压缩；模型列表 则给出了推理模型、训练模型、预训练模型与 Paddle-Lite nb 模型的完整下载入口。仓库根目录的 configs 目录存放全部训练配置文件，tools/train.py与tools/export_model.py分别对应训练与模型导出入口。

7. 模型库：中英文 PP-OCR 系列选型

PP-OCR 中英文模型列表如下（完整下载地址见 PP-OCR 系列模型下载，各模型均提供推理模型与训练/预训练模型两类文件）：

模型简介	模型名称	推荐场景
中英文超轻量 PP-OCRv3 模型（16.2M）	ch_PP-OCRv3_xx	移动端 & 服务器端
英文超轻量 PP-OCRv3 模型（13.4M）	en_PP-OCRv3_xx	移动端 & 服务器端
中英文超轻量 PP-OCRv2 模型（13.0M）	ch_PP-OCRv2_xx	移动端 & 服务器端
中英文超轻量 PP-OCR mobile 模型（9.4M）	ch_ppocr_mobile_v2.0_xx	移动端 & 服务器端
中英文通用 PP-OCR server 模型（143.4M）	ch_ppocr_server_v2.0_xx	服务器端

7.1 模型类型说明

PaddleOCR 提供的可下载模型分为四类，格式与用途各不相同：

模型类型	模型格式	简介
推理模型	inference.pdmodel、inference.pdiparams	用于预测引擎推理（详见 Python 推理文档）
训练模型 / 预训练模型	*.pdparams、*.pdopt、*.states	训练过程保存的参数、优化器状态与中间信息，用于指标评估与恢复训练
nb 模型	*.nb	经 Paddle-Lite 优化后的端侧模型，适用于移动端 / IoT 端部署

其中，训练模型是基于预训练模型在真实数据与竖排合成文本数据上 finetune 得到的，在真实场景表现更好；预训练模型直接基于全量真实数据与合成数据训练，更适合在自己的数据集上继续 finetune。

7.2 源码与配置文件对照

仓库中的配置文件与模型一一对应，例如：

• 检测： PP-OCRv4_mobile_det.yml、PP-OCRv4_server_det.yml（v4 检测配置位于configs/det/PP-OCRv4/）；
• 方向分类： cls_mv3.yml；
• 识别： PP-OCRv3_mobile_rec_distillation.yml、PP-OCRv4_mobile_rec_distillation.yml（多语言配置位于configs/rec/PP-OCRv3/multi_language/）。

配置文件中的Architecture、Loss、Optimizer、Metric等字段定义了网络结构、损失函数与训练策略，读者可对照 训练文档 理解每个参数的作用。更多英文数字模型、多语言模型与 Paddle-Lite 模型，可在 PP-OCR 系列模型下载 中按语种和部署场景检索。

8. 小结

PP-OCR 系列以"检测 + 方向分类 + 识别"的两阶段 pipeline 为骨架，历经四代迭代：从 PP-OCR 的 19 个策略瘦身，到 PP-OCRv2 引入 CML 蒸馏与 LCNet，再到 PP-OCRv3 以 SVTR_LCNet 为核心的 9 项升级，最终在 PP-OCRv4 中以 LCNetV3/PFHead/DF/DKD 等 10 项改进进一步拉高精度上限。整体模型体量从 mobile 系列的 9.4M 到 server 系列的 143.4M 覆盖不同算力场景，并通过 whl 包命令行、Python API 与 80 种语言模型支持快速落地。无论你是要快速体验 OCR 能力、按需选型模型，还是深入训练与部署，都可以从本文链接的源码、配置与教程文档中找到对应路径。

【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