PaddleOCR：百度支援 80+ 語言的超輕量 OCR 工具包

PaddleOCR 是百度基於 PaddlePaddle 深度學習框架的工業級超輕量光學字元辨識 (OCR) 工具包。作為 GitHub 上最受歡迎的開源 OCR 專案之一，PaddleOCR 已發展多個主要版本——目前包括用於文字偵測與辨識的 PP-OCRv5、用於全面文件解析的 PP-StructureV3，以及用於 LLM 驅動文件智慧的 PP-ChatOCRv4。

PaddleOCR 的與眾不同之處在於其準確度、速度與廣度的結合。PP-OCRv5 模型在達到最先進準確度的同時，將完整偵測與辨識管線的模型大小控制在 15 MB 以下。支援超過 80 種語言，工具包涵蓋從文字偵測與辨識到文件版面分析、表格提取，甚至基於 LLM 的文件問答。

PaddleOCR 的主要版本有哪些？

PP-OCRv5 如何在小型模型中實現如此高的準確度？

PP-OCRv5 使用精心最佳化的架構。文字偵測模型採用具有 MobileNetV3 骨幹的可微分二值化 (DB) 網路，而文字辨識模型使用 SVTR（單一視覺文字辨識）架構，以純視覺 Transformer 方法取代傳統基於 RNN 的序列建模。這種組合在挑戰性資料集上達到 85% 以上的準確度，同時總大小保持在 15 MB 以下——足夠小以在行動裝置與 CPU 上高效運行。

flowchart TD
    A[輸入圖像] --> B[PP-OCRv5 偵測器]
    B --> C[文字區域]
    C --> D[PP-OCRv5 辨識器]
    D --> E[辨識文字]
    E --> F{文件任務？}
    F -->|否| G[結構化文字輸出]
    F -->|是| H[PP-StructureV3]
    H --> I[版面分析]
    H --> J[表格提取]
    H --> K[公式辨識]
    I --> L[結構化文件]
    J --> L
    K --> L
    L --> M[PP-ChatOCRv4]
    M --> N[文件問答]
    M --> O[實體提取]
    M --> P[摘要生成]

語言支援範圍

PaddleOCR 的語言支援在開源 OCR 工具包中是最全面的之一。

PP-StructureV3 提供哪些文件解析能力？

PP-StructureV3 提供超越簡單 OCR 的全面文件理解能力。它可以偵測文件版面元素，包括段落、標題、圖形、表格與公式。表格提取模組重建包含儲存格邊界與內容的表格結構。公式辨識模組將數學表達式轉換為 LaTeX 格式。這些能力共同實現了保留原始文件語義結構的完整文件數位化。

sequenceDiagram
    participant User as 使用者
    participant OCR as PP-OCRv5
    participant Struct as PP-StructureV3
    participant Chat as PP-ChatOCRv4
    participant LLM as LLM 後端

    User->>OCR: 上傳文件圖像
    OCR-->>User: 提取文字與座標
    User->>Struct: 解析文件結構
    Struct-->>User: 版面區域已識別
    Struct-->>User: 表格已提取（HTML）
    Struct-->>User: 公式已轉換為 LaTeX
    User->>Chat: 詢問文件相關問題
    Chat->>LLM: 以文件上下文查詢
    LLM-->>Chat: 相關答案
    Chat-->>User: 含引用的答案

PP-ChatOCRv4 如何與 LLM 整合？

PP-ChatOCRv4 將 OCR 與文件解析管線與大型語言模型連接，實現自然語言文件互動。使用者可以詢問文件內容相關問題、請求摘要、提取特定實體，或執行複雜的文件分析。系統為 LLM 提供結構化的文件上下文，包括文字內容、版面位置與表格資料，實現準確、具上下文感知的回應。該整合支援任何可透過 API 存取的 LLM，包括透過 PaddlePaddle 推論引擎部署的本地模型。

如何安裝與使用 PaddleOCR？

PaddleOCR 可透過 pip 取得。安裝過程簡單，GPU 加速可與支援 CUDA 的 PaddlePaddle 開箱即用。工具包提供 Python API 供程式化使用，以及命令列介面供快速實驗。推論管線已針對 TensorRT、ONNX Runtime 與 Paddle Lite 進行邊緣部署最佳化。

PaddleOCR 是否支援 MCP（模型上下文協定）？

是的。PaddleOCR 實驗性支援模型上下文協定 (MCP)，讓 AI 編碼助理與代理框架可以直接呼叫 OCR 與文件解析功能。這使得 Claude Code、Cursor 與自訂代理框架等工具能夠無縫整合 OCR 功能到其工作流程中——例如從螢幕截圖中提取文字、處理上傳的文件，或對使用者介面進行即時視覺分析。

常見問題

什麼是 PaddleOCR？ PaddleOCR 是百度基於 PaddlePaddle 的開源 OCR 工具包，支援 80 多種語言的文字偵測與辨識，模型大小不到 15 MB。

有哪些主要版本？ PP-OCRv5（文字偵測與辨識）、PP-StructureV3（文件解析，含版面、表格與公式提取）以及 PP-ChatOCRv4（LLM 驅動的文件智慧）。

如何安裝？ 透過 pip install paddleocr 安裝。GPU 支援需要啟用 CUDA 的 PaddlePaddle。模型在首次使用時自動下載。

支援哪些語言？ 超過 80 種語言，包括所有主要拉丁語系、中日韓、阿拉伯語系、印度語系、西里爾語系與東南亞文字。

PaddleOCR 是否支援 MCP？ 是的，提供實驗性 MCP 支援，可與 AI 編碼助理與代理框架整合。

延伸閱讀

• PaddleOCR GitHub 倉庫
• PaddlePaddle 深度學習框架
• PaddleOCR 文件
• PP-OCRv5 技術報告
• PaddleOCR 線上展示