Markdownで表示

PaddleOCR-VL

PaddleOCR-VLは、PaddlePaddleによる2段階のドキュメントパーサーです。PP-DocLayoutV2が25種類のレイアウト領域とその読み順を検出し、PaddleOCR-VL-0.9Bが各領域をテキスト、表、数式、グラフとして読み取ります。LibreYOLOは、両ネットワークを囲むPaddleXのパイプラインをocrタスク向けに移植しています。

タスク
ocr
インストール
pip install "libreyolo[vlm]"
サポートティア
姉妹ティア、v1.8.0以降。独自のファクトリと契約を持つ、独立した製品インターフェースです。
アップストリーム
PaddlePaddle AuthorsのPaddleOCR-VL、Apache-2.0。論文、ソース
ライセンス
コード:Apache-2.0、重み:Apache-2.0。商用利用

インストール

PaddleOCR-VLはLibreYOLOのVLM層に属し、vlm extraが必要です。両ネットワークはtransformersのネイティブクラスで読み込まれるため、transformers 5.3以降が必要です。PaddlePaddle自体は不要です。

bash
pip install "libreyolo[vlm]"

推論

両ネットワークの重みは、初回使用時に固定された1つのミラーLibreYOLO/LibrePaddleOCRVL0.9bからダウンロードされます。リモートコードは実行されません。

Python
from libreyolo import LibreVLM model = LibreVLM("paddleocr-vl")       # 初回使用時に重みをダウンロードresult = model.predict("page.png")      # スキャンまたはレンダリングしたページ for label, text in zip(result.ocr.labels, result.ocr.texts):    print(label, text[:60])             # ブロックごとに1領域、読み順print(result.ocr.markdown)              # ページ全体をMarkdownで
単一要素
from libreyolo import LibreVLM # レイアウト検出を省略し、切り出し済みの数式を読み取るmodel = LibreVLM("paddleocr-vl", use_layout_detection=False, prompt_label="formula")result = model.predict("formula.png")print(result.ocr.texts[0])              # LaTeX
グラフ
from libreyolo import LibreVLM # アップストリームと同じくグラフはデフォルトでスキップ、有効にすると表として読み取るmodel = LibreVLM("paddleocr-vl", use_chart_recognition=True)result = model.predict("report.png")

このファミリーはLibreVLM()、またはLibrePaddleOCRVLクラスで読み込みます。Results.ocrは、テキスト行ごとではなく認識されたブロック(段落、タイトル、表)ごとに1領域を読み順で保持します。texts、polygons(4点の四角形で表した軸に平行なボックス)、labels(レイアウトクラス)、そしてmarkdownのページです。表はHTML、数式はLaTeXで返されます。画像と、デフォルトではグラフと印影も、Results.ocrとMarkdownから除外されます。

Results.ocr.confは生成トークンの確率の幾何平均で、det_confはレイアウトスコアです。conf=は領域を絞り込みません。レイアウトはアップストリームのクラスごとのしきい値を維持し、layout_threshold=で上書きできます。認識は貪欲法で新規トークンは最大4096、各領域はmin_pixels / max_pixels(デフォルト112896 / 1003520)の範囲でリサイズされます。

use_layout_detection=Falseとprompt_label=(ocr、table、formula、chart)を指定すると、切り出し済みの要素を読み取ります。

バリアント

サイズは0.9bの1つで、PP-DocLayoutV2の後段にNaViT方式の視覚エンコーダーとERNIE-4.5-0.3Bのデコーダーを置いた構成です。CUDAでは認識器をbf16(bf16非対応ならfp16)、レイアウト検出器をfp32で実行し、CPUとMPSでは両方をfp32で実行します。MPSで演算子の欠落が報告された場合は、PYTORCH_ENABLE_MPS_FALLBACK=1を設定してください。

移植していないもの:隣接するテキストブロックの結合、表に埋め込まれた図、印影とスポッティングの認識、ポリゴン形状のレイアウト、文書の歪み補正、画像のエクスポート。MarkdownはHTMLによる中央寄せのないプレーン版です。

検証

val()は共有のOCRバリデーターを実行します。

Python
from libreyolo import LibreVLM model = LibreVLM("paddleocr-vl")metrics = model.val(data="ocr_dataset/")   # 検出hmean、エンドツーエンドF1、1-NED

エクスポート

推論のみです。train()とexport()は例外を発生させます。

ライセンス

ダウンロードする特定の重みについて、Hugging Faceリポジトリのライセンスを確認してください。LibreYOLO orgの各チェックポイントにはライセンスが付与されており、同じファミリー内でも常に同一とは限りません。そのリポジトリが正式な情報源です。以下の概要は、このページを最後に検証した時点で適用されていた内容を示します。

これは関連するライセンスの説明であり、法的助言ではありません。商用上重要な場合は、自分でライセンスを読み、専門家の助言を受けてください。

原著作物
PaddleOCR-VL, PaddlePaddle Authors
アップストリームのライセンス
Apache-2.0
アップストリームのソース
github.com/PaddlePaddle/PaddleOCR
LibreYOLOのコード
MIT
重み
Apache-2.0、huggingface.co/LibreYOLOで再公開
解釈
Apache-2.0 is a permissive license, so the PaddleOCR-VL-0.9B recognizer and the PP-DocLayoutV2 layout detector can be used in commercial and closed-source products. Redistributing them means keeping the license text and attribution notices, and the license grants a patent license. Both networks run through the Apache-2.0 Hugging Face Transformers classes; LibreYOLO ports only the document-parsing pipeline (layout post-processing, prompt routing, markdown conversion) from PaddleX at commit 4c968d30b9d0d4a693d9eaaef0881c20f8d7d0e0, also Apache-2.0 (libreyolo/models/paddleocrvl/NOTICE), and the rest of the adapter is MIT. The weights are an unmodified, ungated mirror at LibreYOLO/LibrePaddleOCRVL0.9b of PaddlePaddle/PaddleOCR-VL (revision 7fa00a8c55b735ba51ba49a9058f3f9c57a99a11) with PaddlePaddle/PP-DocLayoutV2_safetensors (revision 880e8971b88938518611c54fc0f59ad57849c9d4) under layout/, shipping LICENSE and NOTICE. The recognizer's language model is initialized from Baidu's ERNIE-4.5-0.3B, also Apache-2.0.

PaddleOCR-VL-0.9BとPP-DocLayoutV2はPaddlePaddle AuthorsによるApache-2.0で、コードと重みの両方が対象です。商用利用が可能です。LibreYOLOがPaddleXから移植したパイプラインもApache-2.0です。重みは変更なしの、ゲートされていないミラーです。

引用

@misc{cui2025paddleocrvlboostingmultilingualdocument,
      title={PaddleOCR-VL: Boosting Multilingual Document Parsing via a 0.9B Ultra-Compact Vision-Language Model}, 
      author={Cheng Cui and Ting Sun and Suyin Liang and Tingquan Gao and Zelun Zhang and Jiaxuan Liu and Xueqing Wang and Changda Zhou and Hongen Liu and Manhui Lin and Yue Zhang and Yubo Zhang and Handong Zheng and Jing Zhang and Jun Zhang and Yi Liu and Dianhai Yu and Yanjun Ma},
      year={2025},
      eprint={2510.14528},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2510.14528}, 
}

著者によるhuggingface.co/PaddlePaddle/PaddleOCR-VL#citationの引用ブロックからコピーしています。

LibreYOLO v1.8.0で検証済みです。このページのサポート表、チェックポイント、ベンチマーク値は手作業で記述したものではなく、リリース済みライブラリと公開済みの重みから生成されています。