PP-OCRv6 on Hugging Face: Text Recognition in 50 Languages with Models from 1.5M to 34.5M Parameters

Команда PaddleOCR представила PP-OCRv6 — новое поколение универсальных моделей оптического распознавания символов (Optical Character Recognition, OCR) для обнаружения и распознавания текста в реальных условиях: документы, скриншоты, многоязычные изображения, цифровые дисплеи, промышленные этикетки и уличные вывески. Семейство моделей включает три уровня — tiny (1,5 миллиона параметров), small (7,7 миллиона) и medium (34,5 миллиона), причём medium и small поддерживают 50 языков, включая упрощённый и традиционный китайский, английский, японский и 46 языков на основе латиницы. На внутренних бенчмарках PaddleOCR модель PP-OCRv6_medium достигает 86,2% Hmean детекции и 83,2% точности распознавания, что на 4,6 и 5,1 процентных пункта выше, чем у PP-OCRv5_server соответственно. В детекции используется RepLKFPN — лёгкая пирамида признаков с большими ядрами свёртки, а в распознавании — EncoderWithLightSVTR, сочетающий локальное моделирование контекста с глобальным вниманием. Для разработчиков доступны несколько бэкендов инференса: Paddle Inference, Transformers (через Hugging Face) и ONNX Runtime. Примеры кода на Python показывают, как запустить OCR с разными бэкендами. Модели опубликованы на Hugging Face Hub в форматах safetensors, Paddle и ONNX, также доступен онлайн-демонстратор.