PaddleOCR

产品简介

PaddleOCR 是百度飞桨（PaddlePaddle）团队开源的 OCR 与文档智能工具箱，GitHub 仓库 PaddlePaddle/PaddleOCR 采用 Apache 2.0 协议，累计获得 9.1 万 Star、1.15 万 Fork，项目自 2020 年 5 月开源以来持续迭代。它的定位很明确：把 PDF 与图片里的杂乱版面，转成大模型可以直接吃进去的结构化数据（Markdown 或 JSON），填上「图像到 LLM」之间的断层。目前 Dify、RAGFlow、Cherry Studio、pathway 等一批知名开源项目都在底层使用它，是当前构建 RAG 与 Agent 应用最常见的文档解析底座。

核心功能

• 智能文档解析：搭载 PaddleOCR-VL-1.6（0.9B）轻量视觉语言模型，在 OmniDocBench v1.6 上达到 96.3% 的准确率，文本、公式、表格三项识别均领先，输出 Markdown 与 JSON 两种结构化格式。
• 结构感知转换：PP-StructureV3 可把复杂 PDF 与图片转成 Markdown 或 JSON，并给出更细粒度的坐标信息，包括表格单元格坐标与文本坐标。
• 通用文字识别：PP-OCRv6 单模型覆盖中文、英文、日文与 46 种拉丁文字共 50 种语言，多语种文档无需切换模型。
• 场景文字识别：支持证件、街景、书籍、工业零件等自然场景下的文字 spotting，不局限于规整文档。
• 多格式转换：可把 Word、Excel、PowerPoint 等常见办公文档转成 Markdown；PaddleOCR-VL 系列、PP-StructureV3 与 PP-DocTranslation 支持把解析结果导出为 DOCX。
• 推理加速与部署：模型可导出 ONNX，配合 OpenVINO、ONNX Runtime、TensorRT 加速；支持 NVIDIA GPU、Intel CPU、昆仑芯 XPU 等多种硬件后端，可多卡多进程并行推理，并提供 C++、C#、Java 服务化部署方案。

特色优势

轻量是它最突出的标签。PP-OCRv6 只有 3.45 万参数，却在检测与识别精度上分别超过 PP-OCRv5 4.6% 与 5.1%，官方给出的对比对象是 Qwen3-VL-235B 与 GPT-5.5 这类通用大模型。效率上，OpenVINO 下 CPU 推理端到端提速 5.2 倍，Apple M4 上提速 6.1 倍，A100 上单次推理 0.13 秒。官方还提供 tiny（150 万）、small（770 万）、medium（3450 万）三档模型，边缘端、移动端与服务器端可以各取所需。

技术实现

架构上分为模型层、流水线层与部署层。模型层是 PP-OCR 系列（检测加识别的经典两阶段方案）与 PaddleOCR-VL 系列（端到端的文档视觉语言模型）双线并行：前者轻快、适合纯文字与场景文字，后者擅长版面理解与公式表格。流水线层由 PP-StructureV3 承担版面分析、区域切分与结果组装，把各子模型串成一条完整流水线。部署层则把模型转换到 ONNX，交由 OpenVINO、TensorRT 等推理引擎执行，使得同一套模型既能跑在服务器 GPU 上，也能压进浏览器和移动端。所有模型同时发布在 HuggingFace 与魔搭社区，可直接下载。

快速上手

1. 不想装环境，就先到官网的体验中心在线试用，支持一键上传图片或 PDF 直接看解析结果。
2. 需要本地运行时，按 PaddlePaddle 官方指引安装飞桨框架，再安装 PaddleOCR 的 Python 包。
3. 从 HuggingFace 或魔搭社区拉取 PP-OCR 系列模型权重，按 tiny / small / medium 三档选择与硬件匹配的版本。
4. 调用 OCR 或 PaddleOCR-VL 流水线接口，传入图片或 PDF 路径，指定输出格式为 Markdown 或 JSON。
5. 追求生产性能时，把模型导出为 ONNX，用 OpenVINO 或 TensorRT 加速，并按需开启多 GPU 与多进程并行推理。

应用场景

• 企业知识库与 RAG：把 PDF 合同、财报、手册批量解析成结构化 Markdown，再向量化入库。
• 智能问答与文档翻译：配合 PP-DocTranslation 与多语言识别，做跨语言文档理解。
• 数据录入自动化：把发票、报销单、身份证等票据字段直接抽出来，替代人工录入。
• 图表转表格：PP-Chart2Table 模块把图片里的统计图表还原成可编辑的表格。
• 离线与私有化部署：金融、政务、医疗等对数据不出内网有硬性要求的场景，可完全本地运行，不依赖任何外部接口。

适用人群

需要把文档喂给大模型的 AI 应用开发者与 RAG 工程师、要做票据与证照信息抽取的数据团队、要求离线可用的政企私有化交付团队，以及做版面分析、公式识别方向学术研究的研究者。

出品方

百度飞桨 PaddlePaddle 团队，模型与文档在 HuggingFace 与魔搭社区同步发布，学术论文包括 PaddleOCR 3.0 技术报告与 PaddleOCR-VL 论文。

更新动态

2026 年 7 月 22 日上线 HPD-Parsing 轻量视觉语言模型，采用分层并行解码与渐进式多 Token 预测，公开基准上峰值吞吐达 4752 tokens/s，支持 OpenAI 兼容服务与定制 vLLM 运行时本地推理。2026 年 6 月 11 日发布 PaddleOCR 3.7.0，主推 PP-OCRv6。2026 年 5 月 28 日发布 3.6.0，PaddleOCR-VL-1.6 在 OmniDocBench v1.6 上突破 96.3%。2026 年 4 月 21 日发布 3.5.0，支持 20 个模型以 Transformers 作为推理后端，并推出可在浏览器内直接运行 PP-OCRv5 的官方前端推理 SDK PaddleOCR.js。

官方链接

代码仓库 https://github.com/PaddlePaddle/PaddleOCR ，文档站 https://paddleocr.ai ，官网与在线体验中心 https://www.paddleocr.com 。