PaddleOCR 2.x 历史遗留功能与模型指南：旧分支推理、部署路径全解析

PaddleOCR 2.x 历史遗留功能与模型指南：旧分支推理、部署路径全解析

【免费下载链接】PaddleOCR飞桨多语言OCR工具包（实用超轻量OCR系统，支持80+种语言识别，提供数据标注与合成工具，支持服务器、移动端、嵌入式及IoT设备端的训练与部署） Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80+ languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)项目地址: https://gitcode.com/paddlepaddle/PaddleOCR

本文基于 PaddleOCR 仓库中 2.x 分支的历史文档（Legacy Features）整理而成。PaddleOCR 3.x 分支在训练与推理的拼接逻辑、配置体系上做了升级，导致 2.x 分支的部分模型与功能不再兼容；本篇完整梳理 2.x 分支仍在使用或需要参考的功能矩阵（Python/C++ 预测引擎、服务化部署、Android、Jetson、端侧 Lite、Paddle2ONNX、云上部署、Benchmark 等）、该分支独有的模型清单，以及各推理路径的核心命令与参数含义，帮助读者准确判断自己是否还需要使用 2.x 分支，并能在旧环境下正确完成推理与部署。

一、为什么会有“历史遗留功能”文档

PaddleOCR 仓库在从 2.x 走向 3.x 的过程中，发生了架构级别的升级：3.x 的推理入口、模型拼接逻辑与配置文件结构均发生变化，因此2.x 分支训练/导出的 PP-OCRv4 与 PP-OCRv3 系列模型，无法与 PaddleOCR 3.0 及之后分支的模型直接互换使用。

这一点在 2.x 专用模型清单 model_list_2.x.en.md 中有明确说明：

Due to differences in the concatenation logic and configurations used during model training and inference, the PP-OCRv4 and PP-OCRv3 series models from the PaddleOCR 2.x branch cannot be used interchangeably with those from the PaddleOCR 3.0 and later branches.

因此，历史功能索引 单独成文，为仍在使用 2.x 分支的用户集中收纳了“旧分支模型 + 旧分支功能”两条主线。读者判断是否需要参考该文档，可以依据如下标准：

• 你持有的是 2.x 分支导出的推理模型（inference.pdmodel+inference.pdiparams），且继续使用仓库内tools/infer/下的旧版推理脚本；
• 你需要在旧环境（Linux/Windows、Android、Jetson、飞桨云）上复现 2.x 时代的部署流程；
• 你只想查阅 2.x 分支支持过的算法模型清单作为历史参考。

二、PaddleOCR 2.x 分支支持的模型清单

2.x 分支的模型范围由 model_list_2.x.en.md 完整枚举，覆盖检测、识别、方向分类、端到端、公式识别、表格识别与版面检测七大类。以下为完整清单：

2.1 文本检测模型（Detection）

语言	模型名称
中文	ch_PP-OCRv4_det、ch_PP-OCRv4_server_det、ch_PP-OCRv3_det_slim、ch_PP-OCRv3_det、ch_PP-OCRv2_det_slim、ch_PP-OCRv2_det、ch_ppocr_mobile_slim_v2.0_det、ch_ppocr_mobile_v2.0_det、ch_ppocr_server_v2.0_det
英文	en_PP-OCRv3_det_slim、en_PP-OCRv3_det
多语言	ml_PP-OCRv3_det_slim、ml_PP-OCRv3_det

2.2 文本识别模型（Recognition）

语言	模型名称
中文	ch_PP-OCRv4_rec、ch_PP-OCRv4_server_rec、ch_PP-OCRv4_server_rec_doc、ch_PP-OCRv3_rec_slim、ch_PP-OCRv3_rec、ch_PP-OCRv2_rec_slim、ch_PP-OCRv2_rec、ch_ppocr_mobile_slim_v2.0_rec、ch_ppocr_mobile_v2.0_rec、ch_ppocr_server_v2.0_rec、SVTRv2（Rec Server）、RepSVTR（Mobile）
英文	en_PP-OCRv4_rec、en_PP-OCRv3_rec_slim、en_PP-OCRv3_rec、en_number_mobile_slim_v2.0_rec、en_number_mobile_v2.0_rec
多语言	korean_PP-OCRv3_rec、japan_PP-OCRv3_rec、chinese_cht_PP-OCRv3_rec、te_PP-OCRv3_rec、ka_PP-OCRv3_rec、ta_PP-OCRv3_rec、latin_PP-OCRv3_rec、arabic_PP-OCRv3_rec、cyrillic_PP-OCRv3_rec、devanagari_PP-OCRv3_rec

2.3 其他任务模型

任务类型	模型名称
端到端 OCR（End-to-End）	PGNet
文本方向分类（Direction Cls）	ch_ppocr_mobile_slim_v2.0_cls、ch_ppocr_mobile_v2.0_cls
公式识别（Formula Recognition）	CAN、UniMERNet、LaTeX-OCR、PP-FormulaNet-S、PP-FormulaNet-L
表格结构识别（Table Recognition）	TableMaster、SLANet、SLANeXt_wired、SLANeXt_wireless、en_ppocr_mobile_v2.0_table_structure、en_ppstructure_mobile_v2.0_SLANet、ch_ppstructure_mobile_v2.0_SLANet
表格 OCR（Table Det + Rec）	en_ppocr_mobile_v2.0_table_det、en_ppocr_mobile_v2.0_table_rec
版面检测（Layout Detection）	picodet_lcnet_x1_0_fgd_layout、ppyolov2_r50vd_dcn_365e_publaynet、picodet_lcnet_x1_0_fgd_layout_cdla、picodet_lcnet_x1_0_fgd_layout_table、ppyolov2_r50vd_dcn_365e_tableBank_word、ppyolov2_r50vd_dcn_365e_tableBank_latex

从清单结构可以看到 2.x 分支的技术特征：以 PP-OCRv2/v3/v4 三代系列为主干，同时保留了 SVTR、RepSVTR 等研究型识别模型，以及 PGNet 端到端、公式识别、表格识别、版面检测等扩展任务——这些任务在 3.x 中被重新组织进新的 Pipeline 体系（仓库中 ppstructure 与 ppocr 目录即为 2.x 时代训练/推理体系的遗留实现）。

说明：3.x 及之后的模型总表另见 model_list.en.md，其中区分了 inference model（inference.pdmodel、inference.pdiparams）、trained/pre-trained model（*.pdparams、*.pdopt、*.states）与 Paddle-Lite 优化的 nb model（*.nb）三类产物，该模型形态分类对 2.x 分支同样适用。

三、2.x 分支支持的功能全景

历史功能索引 index.en.md 列出的功能条目及其在仓库中的对应文档如下，均位于docs/version2.x/legacy/目录下：

功能	文档路径	说明
Python 预测引擎推理	python_infer.en.md	检测/识别/方向分类/串联推理 + TensorRT
C++ 预测引擎推理	cpp_infer.en.md	Linux（CPU/GPU）与 Windows 部署
Visual Studio 2019 + CMake 编译指南	windows_vs2019_build.en.md	Windows 平台编译 C++ 推理代码
服务化部署（Hubserving）	paddle_server.en.md	基于 PaddleServing 的服务端部署
Android 部署	android_demo.en.md	移动端推理 Demo
Jetson 部署	原链接指向 2.10 分支归档文档	NVIDIA Jetson 平台推理
端侧部署（Paddle-Lite）	lite.en.md	嵌入式/IoT 设备推理，使用.nb模型
网页前端部署（paddle.js）	原链接指向 2.10 分支归档文档	浏览器端推理
Paddle2ONNX 模型转化与预测	paddle2onnx.en.md	导出 ONNX 并用 ONNX Runtime 预测
飞桨云部署工具	paddle_cloud.md	PaddleCloud 一键部署
Benchmark 基准测试	benchmark.en.md	2.x 时代精度/速度基准

其中 Jetson 部署与网页前端部署（paddle.js）两条目的原始链接指向 2.10 分支的归档文档，说明这两块内容已随 3.x 升级而归档；如需查阅，可在仓库对应历史分支中检索同名文档。

四、Python 预测引擎推理（2.x 分支核心实操）

Python 推理文档 python_infer.en.md 按“检测 → 识别 → 方向分类 → 三者串联”的顺序展开，全部命令基于仓库中的tools/infer/脚本（predict_det.py、predict_rec.py、predict_cls.py、predict_system.py）。

4.1 文本检测模型推理

默认配置基于 DB 检测算法。以轻量中文检测模型为例：

# 下载 DB 文本检测推理模型 wget https://paddle-model-ecology.bj.bcebos.com/paddlex/official_inference_model/paddle3.0.0/PP-OCRv3_mobile_det_infer.tar tar xf PP-OCRv3_mobile_det_infer.tar # 运行推理 python3 tools/infer/predict_det.py --image_dir="./doc/imgs/00018069.jpg" --det_model_dir="./PP-OCRv3_mobile_det_infer/"

可视化结果默认保存到./inference_results目录，结果文件名以det_res为前缀。

输入分辨率控制参数（源码中由检测前处理读取）：

• --det_limit_type：取值max或min，默认max；
• --det_limit_side_len：正整数，一般设为 32 的倍数，默认960。

默认组合limit_type='max', det_limit_side_len=960表示网络输入图像最长边不超过 960，超出时按同比例缩小；设为limit_type='min'则表示最短边限制为 960。若原图分辨率较高、希望使用更大分辨率预测，可将上限调大：

python3 tools/infer/predict_det.py --image_dir="./doc/imgs/1.jpg" --det_model_dir="./PP-OCRv3_mobile_det_infer/" --det_limit_type=max --det_limit_side_len=1216

CPU 推理只需追加--use_gpu=False：

python3 tools/infer/predict_det.py --image_dir="./doc/imgs/1.jpg" --det_model_dir="./PP-OCRv3_mobile_det_infer/" --use_gpu=False

4.2 文本识别模型推理

关键前置说明：PP-OCRv3 识别模型的输入形状为3, 48, 320，换用其他识别模型时必须通过--rec_image_shape按模型实际规格设置；另外 PP-OCRv3 识别模型的rec_algorithm默认为SVTR_LCNet，注意与原 SVTR 的命名差异。

中文轻量识别模型：

# 下载识别推理模型 wget https://paddle-model-ecology.bj.bcebos.com/paddlex/official_inference_model/paddle3.0.0/PP-OCRv4_mobile_rec_infer.tar tar xf PP-OCRv3_mobile_rec_infer.tar # 运行推理 python3 tools/infer/predict_rec.py --image_dir="./doc/imgs_words_en/word_10.png" --rec_model_dir="./PP-OCRv3_mobile_rec_infer/" --rec_image_shape=3,48,320

执行后终端打印识别文本与置信度，例如：

Predicts of ./doc/imgs_words_en/word_10.png:('PAIN', 0.988671)

英文识别模型需额外指定字表路径--rec_char_dict_path：

# 下载英文模型 wget https://paddle-model-ecology.bj.bcebos.com/paddlex/official_inference_model/paddle3.0.0/en_PP-OCRv3_mobile_rec_infer.tar tar xf en_PP-OCRv3_mobile_rec_infer.tar python3 tools/infer/predict_rec.py --image_dir="./doc/imgs_words/en/word_1.png" --rec_model_dir="./en_PP-OCRv3_mobile_rec_infer/" --rec_char_dict_path="ppocr/utils/en_dict.txt"

示例输出：

Predicts of ./doc/imgs_words/en/word_1.png: ('JOINT', 0.998160719871521)

多语言模型（对应 2.x 模型清单中的 korean、japan、arabic、cyrillic 等）在推理时除了--rec_char_dict_path外，为保证可视化结果正确显示，还需通过--vis_font_path指定字体路径。仓库在 doc/fonts 下默认提供了小语种字体（如korean.ttf），各语种字表位于 ppocr/utils/dict 目录。以韩语识别为例：

python3 tools/infer/predict_rec.py --image_dir="./doc/imgs_words/korean/1.jpg" --rec_model_dir="./your_inference_model" --rec_char_dict_path="ppocr/utils/dict/korean_dict.txt" --vis_font_path="doc/fonts/korean.ttf"

示例输出：

Predicts of ./doc/imgs_words/korean/1.jpg:('바탕으로', 0.9948904)

4.3 文本方向分类模型推理

# 下载文本方向分类推理模型 wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_cls_infer.tar tar xf ch_ppocr_mobile_v2.0_cls_infer.tar python3 tools/infer/predict_cls.py --image_dir="./doc/imgs_words_en/word_10.png" --cls_model_dir="ch_ppocr_mobile_v2.0_cls_infer"

输出为分类角度与得分：

Predicts of ./doc/imgs_words_en/word_10.png:['0', 0.9999995]

4.4 检测 + 方向分类 + 识别 串联推理（predict_system）

串联推理使用tools/infer/predict_system.py，核心参数：

• --image_dir：单张图片或图片目录，也支持 PDF 文件；
• --det_model_dir/--cls_model_dir/--rec_model_dir：分别指定检测、方向分类、识别推理模型路径；
• --use_angle_cls：是否启用方向分类模型；
• --use_mp/--total_process_num：是否使用多进程推理及进程数；
• --page_num：PDF 输入时限制推理页数（默认 0 表示全部页）；
• 可视化结果默认保存到./inference_results。

# 使用方向分类器 python3 tools/infer/predict_system.py --image_dir="./doc/imgs/00018069.jpg" --det_model_dir="./PP-OCRv3_mobile_det_infer/" --cls_model_dir="./cls/" --rec_model_dir="./PP-OCRv3_mobile_rec_infer/" --use_angle_cls=true # 不使用方向分类器 python3 tools/infer/predict_system.py --image_dir="./doc/imgs/00018069.jpg" --det_model_dir="./PP-OCRv3_mobile_det_infer/" --rec_model_dir="./PP-OCRv3_mobile_rec_infer/" --use_angle_cls=false # 多进程推理 python3 tools/infer/predict_system.py --image_dir="./doc/imgs/00018069.jpg" --det_model_dir="./PP-OCRv3_mobile_det_infer/" --rec_model_dir="./PP-OCRv3_mobile_rec_infer/" --use_angle_cls=false --use_mp=True --total_process_num=6 # PDF 输入，--page_num 指定推理前几页（0 表示全部页） python3 tools/infer/predict_system.py --image_dir="./xxx.pdf" --det_model_dir="./PP-OCRv3_mobile_det_infer/" --cls_model_dir="./cls/" --rec_model_dir="./PP-OCRv3_mobile_rec_infer/" --use_angle_cls=true --page_num=2

更多推理参数解释可参考 2.x 分支的推理参数详解文档 inference_args.en.md。

4.5 TensorRT 加速推理（两步流程）

Paddle Inference 以子图模式集成 TensorRT：GPU 场景下 TRT 可对部分子图做算子水平/垂直融合、冗余算子过滤与最优算子内核选择。使用 TRT 需要两步，以检测模型为例：

第一步：采集动态 shape 信息（此时并不真正启用 TRT，只是收集信息）：

python3 tools/infer/predict_det.py --image_dir="./doc/imgs/1.jpg" --det_model_dir="./PP-OCRv3_mobile_det_infer/" --use_tensorrt=True

动态 shape 文件最终命名为det_trt_dynamic_shape.txt，保存在模型目录PP-OCRv3_mobile_det_infer内。

第二步：加载该文件执行 TRT 推理：

python3 tools/infer/predict_det.py --image_dir="./doc/imgs/1.jpg" --det_model_dir="./PP-OCRv3_mobile_det_infer/" --use_tensorrt=True

文档中的注意事项：

• 若动态 shape 信息文件已存在则无需重复采集；要重新生成，需先删除模型目录中的该文件再重新执行第一步；
• 一般只需生成一次。实际部署中建议在离线验证集/测试集上生成动态 shape 文件，线上 TRT 推理时直接加载。

五、C++ 预测引擎与其他部署路径要点

5.1 C++ 推理环境准备（Linux）

C++ 推理文档 指出：相对 Python，C++ 在性能上占优，因此 CPU/GPU 服务端部署普遍采用 C++ 方案。环境准备包含三个环节：

1. 系统环境：推荐 Linux（可用 Docker），Windows 则参考 VS2019 + CMake 编译指南；
2. 编译 OpenCV：以 OpenCV 3.4.7 为例，先下载源码包wget https://paddleocr.bj.bcebos.com/libs/opencv/opencv-3.4.7.tar.gz，然后用 CMake 配置编译，关键选项包括-DWITH_IPP=OFF、-DWITH_LAPACK=OFF、-DWITH_EIGEN=OFF、-DCMAKE_INSTALL_LIBDIR=lib64以及开启 ZLIB/JPEG/PNG/TIFF 的构建。make install后在install_path（如opencv3/）下生成bin/include/lib/lib64/share结构，供后续 OCR 源码编译链接；
3. 获取 Paddle Inference 库：可直接下载预编译库，也可自行编译。

完成上述准备后，使用仓库内 deploy/cpp_infer 目录下的 CMake 工程（入口 CMakeLists.txt 与命令行入口 cli.cc）编译即可得到 det/rec/cls 各类 C++ 可执行程序。

5.2 其余部署路径的定位

• 服务化部署（PaddleServing）：paddle_server.en.md 覆盖 ocr_det、ocr_rec、ocr_cls、ocr_system、structure_system 等 Serving 方案，对应仓库 deploy/hubserving 目录下的各任务配置（如 ocr_system）；
• Android：android_demo.en.md 对应 deploy/android_demo 工程，另有新一代的 deploy/ppocr-android Kotlin 工程可作为演进参考；
• 端侧 Paddle-Lite：lite.en.md 使用.nb模型（如 ch_PP-OCRv3_det_slim 的 nb 产物），对应 deploy/lite 目录的 C++ 推理示例（ocr_db_crnn.cc、db_post_process.cc、crnn_process.cc等）；
• Paddle2ONNX：paddle2onnx.en.md 讲解将 2.x 推理模型导出为 ONNX 后用 ONNX Runtime 预测，对应 deploy/paddle2onnx 文档；
• Benchmark：benchmark.en.md 提供 2.x 模型的精度/速度评测方法，仓库 benchmark 目录包含 DBNet 训练评测工具与 run_det.sh 等评测脚本。

六、2.x 与 3.x 的选型建议

综合 model_list_2.x.en.md 的兼容性声明与 历史功能索引 的定位，可以给出如下判断框架：

1. 新项目：直接使用 3.x 体系。2.x 分支的 Python 推理脚本（tools/infer/系列）与 3.x 新接口在模型拼接逻辑上不互通，新开发没有必要从 2.x 起步；
2. 存量 2.x 模型：若已持有 2.x 训练/导出的模型并依赖其特定行为（如 PP-OCRv2/v3 系列的旧版检测、PGNet 端到端、TableMaster/SLANeXt 等表格模型），继续沿用docs/version2.x/legacy/中的 Python/C++ 推理路径是文档支持的方案；
3. 跨端部署：2.x 时代的部署资产（deploy 目录下的 cpp_infer、lite、hubserving、android_demo 等）仍可作为端侧与服务端部署的参考实现，其中 C++ 工程与 Lite 推理代码在仓库中保留了完整源码，可逐文件阅读前处理（db_post_process）与后处理（rec_postprocess）实现，理解 2.x 推理链路的输入输出约定。

以上全部内容均以当前仓库docs/version2.x/legacy/目录下的文档及deploy/、tools/、ppocr/目录的实际源码与配置为据，读者可沿文中路径在仓库内进一步核对细节。

【免费下载链接】PaddleOCR飞桨多语言OCR工具包（实用超轻量OCR系统，支持80+种语言识别，提供数据标注与合成工具，支持服务器、移动端、嵌入式及IoT设备端的训练与部署） Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80+ languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)项目地址: https://gitcode.com/paddlepaddle/PaddleOCR