Hugging Face上のPP-OCRv6：150万〜3450万パラメータで50言語対応OCR

記事一覧に戻る

PP-OCRv6をオンラインで評価し、PaddlePaddle、Transformers、またはONNX Runtimeバックエンドで軽量かつ本番対応のOCRを統合できます。

PP-OCRv6は、PaddleOCRの最新世代ユニバーサルOCRモデルファミリーです。ドキュメント、スクリーンショット、多言語画像、デジタルディスプレイ、工業用ラベル、シーン文字など、実世界のテキスト検出・認識向けに設計されています。

このモデルファミリーは150万〜3450万パラメータまでスケールし、tiny、small、mediumの3階層で構成されています。mediumとsmall階層は50言語（簡体字中国語、繁体字中国語、英語、日本語、および46のラテン文字言語）に対応しています。PP-OCRv6を素早くオンラインで試す： PP-OCRv6 Online Demo。

PaddleOCR公式の社内マルチシナリオOCRベンチマークでは、PP-OCRv6_mediumが検出Hmean 86.2%と認識精度 83.2%を達成しました。PP-OCRv5_serverと比較して、テキスト検出で+4.6ポイント、テキスト認識で+5.1ポイント向上しています。

PP-OCRv6は、実用的なOCRニーズに焦点を当てています。小型モデルと柔軟なデプロイオプションで、正確かつ構造化されたテキスト出力を生成することです。VLM時代に特化型OCRモデルが依然として有用である理由についての詳細な議論は、以前のブログ記事をご覧ください： Hugging Face上のPP-OCRv5：OCRへの特化型アプローチ。

PP-OCRv6の新機能

PP-OCRv6は、検出と認識の両方でアーキテクチャ、学習、データ面の改善を導入しています。主な設計目標は、さまざまなデプロイ環境に適したモデルサイズを維持しつつ、OCR精度を向上させることです。

3つのモデル階層

PP-OCRv6は、異なるモデルサイズとOCR精度レベルをカバーする3つのモデル階層を提供します。

PPLCNetV4バックボーン

PP-OCRv6は、テキスト検出とテキスト認識の両方にPPLCNetV4を統一バックボーンとして使用しています。

開発者にとっての主な利点は、モデルファミリー全体での一貫性です。tiny、small、mediumの各階層は無関係なモデルではなく、同じOCRファミリーの一部であり、共通のアーキテクチャ方向を共有しています。

テキスト検出向けRepLKFPN

テキスト検出はOCRパイプラインの最初の段階です。検出品質は認識器に送られるクロップに影響し、品質の低いクロップは認識精度の低下を招きがちです。

PP-OCRv6は検出モジュールをRepLKFPNで強化しました。これは、多スケールテキスト検出向けに設計された軽量の大規模カーネル特徴ピラミッドネットワークで、推論効率を維持しています。

これは実世界のOCR入力に関連します。テキストが小さく、密集し、回転し、低解像度、または複雑な背景に埋め込まれている場合などです。

認識向けEncoderWithLightSVTR

テキスト認識では、PP-OCRv6はEncoderWithLightSVTRを使用します。局所コンテキストモデリングとグローバルアテンションを組み合わせ、困難なテキストクロップでの認識品質を向上させます。

認識の改善は、多言語テキスト、画面テキスト、工業用文字、特殊記号、密集テキスト、ノイズの多い画像領域などで特に有効です。

統一多言語OCR

mediumとsmall階層は50言語を1つのモデルファミリーでサポートし、簡体字中国語、繁体字中国語、英語、日本語、および46のラテン文字言語をカバーします。

これにより、一般的な多言語OCRシナリオで別々のOCRモデルを用意する必要性を減らせます。

PaddleOCRですばやく始める

PaddleOCRのインストール：

pip install paddleocr

Paddle Inference（デフォルトバックエンド）でOCRを実行：

from paddleocr import PaddleOCR

# Model: PP-OCRv6_medium(Default)
# Backend: Paddle Inference(Default)
ocr = PaddleOCR(
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False,
)
result = ocr.predict("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png")

for res in result:
    res.print()
    res.save_to_img("output")
    res.save_to_json("output")

OCR結果は可視化画像および構造化JSON出力として保存できます。構造化出力は、文書解析、検索、抽出、RAG、分析、エージェントワークフローなどの下流システムで利用可能です。

利用可能な推論バックエンド

PP-OCRv6はPaddleOCRを通じて複数の推論バックエンドで利用できます。PaddleOCR 3.7は統一された推論エンジンインターフェースを提供しており、engineで基盤となるランタイムを選択し、関連設定をパイプラインまたはモジュールAPI経由で渡せます。

Hugging Faceユーザー向けに、PaddleOCRはTransformersバックエンドで一部のOCRおよび文書解析モデルを実行できます。以下で有効化できます：

engine="transformers"

Transformersバックエンドの動作の詳細については、以下をご覧ください：

PaddleOCR: Running OCR and Document Parsing Tasks with a Transformers Backend

TransformerバックエンドでのPP-OCRv6実行例：

from paddleocr import PaddleOCR

# Model: PP-OCRv6_medium(Default)
# Backend: transformers
ocr = PaddleOCR(
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False,
    engine="transformers",
)
result = ocr.predict("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png")

ONNX Runtimeを使用する環境向けに、ONNX版もPP-OCRv6 Collectionで提供されており、engine="onnxruntime"で利用できます：

from paddleocr import PaddleOCR

# Model: PP-OCRv6_medium(Default)
# Backend: ONNX Runtime
ocr = PaddleOCR(
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False,
    engine="onnxruntime",
)
result = ocr.predict("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png")

これらのバックエンドオプションにより、Hugging Face Hub上の同じOCRモデルファミリーを、さまざまなランタイム環境で利用できます。

結論

PP-OCRv6は、実世界のテキスト検出・認識向けの軽量多言語OCRモデルファミリーをPaddleOCRに追加します。

このリリースには、150万〜3450万パラメータの3つのモデル階層、最大50言語のOCRサポート、PP-OCRv5_server比での検出・認識精度の向上、そしてHugging Face Hub上の複数モデル形式（safetensors、Paddle推論モデル、ONNXモデル）が含まれます。

ホストされたHugging Face Spaceと利用可能なPaddleOCR推論バックエンドにより、PP-OCRv6は評価と統合のための複数のエントリポイントを提供します：

• オンラインDemo: PP-OCRv6 Online Demo

• モデルコレクション: PP-OCRv6 Collection

• Transformersバックエンドブログ: PaddleOCR with Transformers Backend

• PaddleOCRドキュメント: PP-OCRv6 Documentation

• PaddleOCR公式サイト: https://www.paddleocr.com

オンラインDemoでPP-OCRv6を評価し、Collectionで利用可能なモデル資産を探索し、ご自身のOCRワークフローに合った推論バックエンドを使用できます。