PaddleOCR：百度开源的超轻量 OCR 工具套件

一个让图片文字提取开箱即用的OCR工具

如果你需要在Python项目里从图片、PDF或摄像头中提取文字，PaddleOCR是目前门槛最低、文档最全的端到端方案。它把文字检测+文字识别两条管线压到一个ocr()调用里，训练和部署都带了开箱即用的模型和脚本。

GitHub 数据卡片

项目背景

百度深度学习团队在内部业务（如文档识别、发票录入、AI拍照解题）中积累了OCR工业化落地的经验后，于2020年开源了PaddleOCR。当时市面上的开源OCR要么模型笨重（检测+识别独立模型，需拼装），要么只支持英文。PaddleOCR的初衷是提供一个多语言、轻量、可直接商用的OCR工具箱，并且把训练、量化、部署整条链路都打包进一个仓库。

它的核心痛点是：开发者不需要再自己组Detection + Recognition两个模型，也不用为不同的部署环境（CPU/GPU/手机）重复适配。

核心功能解析

1. paddleocr 一键推理

最常用的接口就是导入PaddleOCR类，指定语言后直接调用。内部自动加载检测+识别模型，输出结构化结果（文本框、置信度、识别文本）。

from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
result = ocr.ocr('sample.jpg', cls=True)
for line in result[0]:
    print(line[1][0])  # 识别文本

2. 全流程可训练脚本

项目提供了独立的tools/train.py、tools/eval.py、tools/infer.py，支持对检测、识别、分类模型分别或在联合模式下微调。数据格式采用PPOCRLabel标注工具导出的标准JSON格式，不需要自己写数据加载器。

# 训练检测模型（在PaddleOCR根目录）
python tools/train.py -c configs/det/ch_ppocr_v2.0/ch_det_lite_train_v2.0.yml

3. 模型量化与端侧部署

内置Paddle-Lite导出脚本，可以将模型转换为.nb格式，在Android/iOS端运行。同时支持ONNX导出，适配其他推理后端。对于服务端，提供了paddle_inference的GPU TensorRT加速配置。

# 导出推理模型
python tools/export_model.py -c configs/rec/ch_ppocr_v2.0/rec_chinese_lite_train_v2.0.yml 
    -o Global.pretrained_model=./pretrain/best_accuracy Global.save_inference_dir=./inference/rec

快速上手

推荐使用Python 3.8+，安装前确保PaddlePaddle已安装（pip install paddlepaddle-gpu或CPU版）。

# 安装PaddleOCR（包含所有依赖）
pip install paddleocr

# 或者从源码安装（获取最新更新）
git clone https://github.com/PaddlePaddle/PaddleOCR.git
cd PaddleOCR
pip install -r requirements.txt
python setup.py install

# 一行命令测试
paddleocr --image_dir ./doc/imgs/11.jpg --lang ch --use_angle_cls True

第一次运行会自动下载检测、识别和方向分类模型（总共约15MB，根据语言包会再加几MB）。输出结果会打印到终端，同时生成带框的标注图。

技术亮点

轻量模型设计

PaddleOCR的检测模型基于DB（Differentiable Binarization）变体，骨干网络使用MobileNetV3或PPLCNet（百度自研轻量CNN）。识别模型是CRNN + CTC结构，但引入了STN（空间变换网络）应对不规则文字。模型通过剪枝、蒸馏和量化，在保持精度的情况下，全部模型打包后仅15MB（中英文）。

端到端管线解耦但统一

项目并不像Tesseract那样把检测和识别糅在一个二进制里，而是拆成三个独立子模型（检测→方向分类→识别）。但通过PaddleOCR类封装成单一入口，用户不需要关心内部流程。同时每个子模型都提供了独立的配置文件（YAML格式），可以单独替换或训练。

设计决策：解耦的关键是TextDetector、TextRecognizer、TextClassifier三个接口，它们共享同一个PaddlePredictor后端，确保推理链不产生冗余内存复制。

多语言支持与自动语言检测

预训练模型覆盖80种语言（包括繁体、日、韩、阿拉伯语等），通过lang参数指定。还可以开启自动语言检测（基于分类器），在未知混合语言场景下自动选择模型。这个能力在同类开源项目中属于第一梯队。

同类对比

总结对比：Tesseract历史悠久但集成困难，EasyOCR精度略低于PaddleOCR且体积大，Surya偏向文档级OCR。PaddleOCR在轻量、易用、定制化三者中取得了最佳平衡。

总结

如果你需要一个开箱即用、能上生产、还能自己微调的OCR方案，PaddleOCR是当前最务实的选择。特别推荐给需要快速集成图片文字提取的Python后端、移动端或边缘计算开发者。