PP-OCRv5

Instalacja

PP-OCRv5 nie wymaga żadnego dodatku poza pakietem podstawowym.

pip install libreyolo

Predykcja

Przy pierwszym użyciu wagi są pobierane z Hugging Face i zapisywane w lokalnej pamięci podręcznej.

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibrePPOCRl-ocr.pt")result = model(SAMPLE_IMAGE, save=True) for text, conf in zip(result.ocr.texts, result.ocr.conf):    print(text, float(conf))

libreyolo predict model=LibrePPOCRl-ocr.pt source=receipt.jpg save=True

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibrePPOCRl-ocr.pt")result = model(SAMPLE_IMAGE) # Wielokąty (N, 4, 2) w kolejności odczytu: lewy górny, prawy górny,# prawy dolny, lewy dolny. Czworokąty detekcji są prawdziwymi wielokątami# (obrócony tekst), dlatego trafiają do result.ocr, a nie result.boxes.print(result.ocr.data.shape)print(result.ocr.det_conf)

Każdy checkpoint zawiera oba etapy, detekcję i rozpoznawanie, w jednym pliku .pt, a zestaw znaków rozpoznawania i wartości domyślne pipeline'u są zapisane w metadanych checkpointu. Rozpoznawanie odczytuje jednym słownikiem chiński uproszczony i tradycyjny, angielski, japoński oraz pinyin. result.ocr jest elementem OCRRegions: .data zawiera czteropunktowe wielokąty, .texts transkrypcje, .conf wynik rozpoznawania dla każdego regionu, a .det_conf wynik detekcji. Źródła z wieloma obrazami działają sekwencyjnie. Dwustopniowy pipeline nie tworzy batcha z wielu obrazów. Więcej informacji o źródłach, streamingu i obsłudze wyników zawiera strona predykcji.

Warianty

Dostępne są dwa poziomy: t, oparty na lżejszych backbone PP-LCNetV3/PP-OCRv5_mobile do zastosowań CPU, oraz l, oparty na serwerowych backbone PP-HGNetV2 zapewniających większą dokładność. Oba poziomy uruchamiają detekcję ze stałym limitem dłuższego boku i rozpoznają przycięcia w batchach. rec_batch określa liczbę przycięć przekazywanych do rozpoznawania w jednym przebiegu w przód.

Walidacja

val() mierzy pipeline względem katalogu obrazów z plikiem labels/<split>.jsonl lub równoważnego pliku YAML zbioru danych. Każda etykieta wymienia wielokąty regionów tekstowych obrazu i ich transkrypcje. Zwracane są: hmean detekcji (precision/recall/F1 dopasowane przez IoU), F1 od początku do końca (hmean połączone z dokładnym dopasowaniem znormalizowanej transkrypcji, metryka fitness checkpointu) oraz 1-NED, czyli średnia znormalizowana odległość edycyjna dla dopasowanych par.

from libreyolo import LibreYOLO model = LibreYOLO("LibrePPOCRl-ocr.pt")metrics = model.val(data="my-dataset") print(metrics["metrics/det_hmean"])print(metrics["metrics/e2e_f1"])       # główna metrykaprint(metrics["metrics/rec_1-NED"])

libreyolo val model=LibrePPOCRl-ocr.pt data=my-dataset

Eksport

PP-OCRv5 jest pipelinem dwóch sieci, detekcji i rozpoznawania działających wspólnie, a nie pojedynczym grafem możliwym do śledzenia. Eksport nie jest dla niego zaimplementowany i nie jest jeszcze obsługiwany żaden format. Jeśli potrzebny jest checkpoint poza tym formatem, należy bezpośrednio dostroić kod trenowania projektu źródłowego na licencji Apache-2.0 i przekonwertować wynik za pomocą weights/convert_ppocr_weights.py.

Checkpointy

Wszystkie opublikowane pliki wag dla tej rodziny.

Licencja

Cytowanie

@misc{cui2025paddleocr30technicalreport,
      title={PaddleOCR 3.0 Technical Report}, 
      author={Cheng Cui and Ting Sun and Manhui Lin and Tingquan Gao and Yubo Zhang and Jiaxuan Liu and Xueqing Wang and Zelun Zhang and Changda Zhou and Hongen Liu and Yue Zhang and Wenyu Lv and Kui Huang and Yichao Zhang and Jing Zhang and Jun Zhang and Yi Liu and Dianhai Yu and Yanjun Ma},
      year={2025},
      eprint={2507.05595},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2507.05595}, 
}