查看 Markdown

PaddleOCR-VL

PaddleOCR-VL 是飞桨(PaddlePaddle)的两阶段文档解析器。PP-DocLayoutV2 找出 25 类版面区域及其阅读顺序,PaddleOCR-VL-0.9B 把每个区域读成文本、表格、公式或图表。LibreYOLO 为 ocr 任务移植了围绕这两个网络的 PaddleX 流水线。

任务
ocr
安装
pip install "libreyolo[vlm]"
支持层级
兄弟层级,自 v1.8.0 起。一个独立的产品面,有自己的工厂和契约。
上游
PaddleOCR-VL,由 PaddlePaddle Authors 发布,采用 Apache-2.0 许可。论文、源码
许可
代码采用 Apache-2.0,权重采用 Apache-2.0。商用

安装

PaddleOCR-VL 属于 LibreYOLO 的 VLM 层级,需要 vlm extra。两个网络都通过 transformers 的原生类加载,需要 transformers 5.3 或更高版本。不需要 PaddlePaddle 本身。

bash
pip install "libreyolo[vlm]"

预测

两个网络的权重在首次使用时从同一个固定版本的镜像 LibreYOLO/LibrePaddleOCRVL0.9b 下载。不运行任何远程代码。

Python
from libreyolo import LibreVLM model = LibreVLM("paddleocr-vl")       # 权重在首次使用时下载result = model.predict("page.png")      # 一张扫描或渲染出来的页面 for label, text in zip(result.ocr.labels, result.ocr.texts):    print(label, text[:60])             # 每个块一个区域,按阅读顺序print(result.ocr.markdown)              # 整页的 markdown
单个元素
from libreyolo import LibreVLM # 跳过版面检测,直接读取一张预先裁好的公式model = LibreVLM("paddleocr-vl", use_layout_detection=False, prompt_label="formula")result = model.predict("formula.png")print(result.ocr.texts[0])              # LaTeX
图表
from libreyolo import LibreVLM # 与上游一样,图表默认跳过;显式开启后会把图表读成表格model = LibreVLM("paddleocr-vl", use_chart_recognition=True)result = model.predict("report.png")

这个家族通过 LibreVLM() 或 LibrePaddleOCRVL 类加载。Results.ocr 按阅读顺序为 每个识别出的块(一个段落、一个标题、一张表格)存一个区域,而不是每个文本行一个: texts、polygons(写成 4 点四边形的轴对齐框)、labels(版面类别),以及 markdown 里的整页内容。表格以 HTML 返回,公式以 LaTeX 返回。图片,以及默认情况下 的图表和印章,不会出现在 Results.ocr 和 markdown 里。

Results.ocr.conf 是生成 token 概率的几何平均值,det_conf 是版面分数。conf= 不会过滤区域;版面保留上游的逐类别阈值,可用 layout_threshold= 覆盖。识别采用贪心 解码,最多 4096 个新 token,每个区域缩放到 min_pixels / max_pixels(默认 112896 / 1003520)的范围内。

use_layout_detection=False 配合 prompt_label=(ocr、table、formula 或 chart)读取预先裁好的元素。

变体

只有一个尺寸,0.9b:一个 NaViT 风格的视觉编码器加 ERNIE-4.5-0.3B 解码器,前面是 PP-DocLayoutV2。CUDA 上识别模型用 bf16(不支持 bf16 时用 fp16),版面检测器用 fp32; CPU 和 MPS 上两者都用 fp32。在 MPS 上,如果报告缺少某个算子,请设置 PYTORCH_ENABLE_MPS_FALLBACK=1。

没有移植的部分:相邻文本块合并、嵌在表格里的图、印章识别和文字检测识别(spotting)、 多边形版面形状、文档矫正和图像导出。markdown 是纯文本变体,没有 HTML 居中。

验证

val() 运行共用的 OCR 验证器。

Python
from libreyolo import LibreVLM model = LibreVLM("paddleocr-vl")metrics = model.val(data="ocr_dataset/")   # 检测 hmean、端到端 F1、1-NED

导出

仅支持推理:train() 和 export() 会抛出异常。

许可证

请检查你所下载的具体权重在 Hugging Face 仓库中的许可。LibreYOLO 组织里的每个检查点都附有许可,同一家族内也不一定相同。该仓库是权威来源;以下摘要说明本页上次验证时适用的情况。

这里只说明涉及的许可证,不构成法律意见。如果答案对商用很重要,请自行阅读许可证并咨询法律顾问。

原始工作
PaddleOCR-VL, PaddlePaddle Authors
上游许可
Apache-2.0
LibreYOLO 代码
MIT
权重
采用 Apache-2.0 许可,重新发布在 huggingface.co/LibreYOLO
解读
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 和 PP-DocLayoutV2 的代码和权重都采用 Apache-2.0 许可,出自 PaddlePaddle Authors。允许商用。 LibreYOLO 从 PaddleX 移植的流水线同样采用 Apache-2.0 许可。权重是未经修改、 不需要申请访问的镜像。

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}, 
}

复制自作者在 huggingface.co/PaddlePaddle/PaddleOCR-VL#citation 上提供的引用块。

已针对 LibreYOLO v1.8.0 验证。本页的支持表、检查点和基准测试数据由已发布的库和权重生成,并非手工编写。