PaddleOCR PP-OCRv5 多语言文本识别完全指南：106 种语言支持、快速上手与模型选型

PaddleOCR PP-OCRv5 多语言文本识别完全指南106 种语言支持、快速上手与模型选型【免费下载链接】PaddleOCR飞桨多语言OCR工具包实用超轻量OCR系统支持80种语言识别提供数据标注与合成工具支持服务器、移动端、嵌入式及IoT设备端的训练与部署 Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80 languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)项目地址: https://gitcode.com/paddlepaddle/PaddleOCRPP-OCRv5 是 PaddleOCR 系列面向多场景、多语言文字识别的新一代解决方案在默认中英文模型之外额外提供覆盖106 种语言的多语言识别能力。本文以 PaddleOCR 仓库中的官方算法文档为基础完整梳理 PP-OCRv5 多语言识别的能力边界、命令行与 Python 两种调用方式、11 个多语言识别模型的精度数据、完整语言缩写清单并结合 ocr.py 与 langs.py 源码解释--lang参数如何在底层自动路由到对应语言的识别模型帮助你在多语言 OCR 场景中快速落地并选型。1. PP-OCRv5 多语言识别能力概览PP-OCRv5 是 PP-OCR 系列最新一代文本识别解决方案整体介绍见 PP-OCRv5 算法文档其核心定位是多场景、多文本类型的识别任务。在默认配置下识别模型可以准确处理以下五类主流文本文本类型说明简体中文Simplified Chinese拼音Chinese Pinyin繁体中文Traditional Chinese英文English日文Japanese在此基础上PP-OCRv5 扩展出了覆盖106 种语言的多语言识别能力包括韩语、西班牙语、法语、葡萄牙语、德语、意大利语、俄语、泰语、希腊语等完整清单见第 5 节。官方文档明确给出相比上一代 PP-OCRv3PP-OCRv5 在多语言文本识别上的精度提升了 30% 以上。这一能力来自 11 个面向不同语系专门优化的识别模型如latin_PP-OCRv5_mobile_rec、arabic_PP-OCRv5_mobile_rec、devanagari_PP-OCRv5_mobile_rec等每个模型覆盖一个语系内的多种语言并在 English 语料上做了兼容处理详见第 6 节。2. 快速开始命令行指定语言PP-OCRv5 多语言识别最直接的用法是在通用 OCR 流水线的命令行中通过--lang参数指定目标语言。以下示例以法语识别为例# Use the --lang parameter to specify the French recognition model paddleocr ocr -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_french01.png \ --lang fr \ --use_doc_orientation_classify False \ --use_doc_unwarping False \ --use_textline_orientation False \ --save_path ./output \ --device gpu:0命令中的关键参数含义如下参数作用-i输入图片路径可为本地路径或示例图片 URL--lang fr核心参数指定使用法语识别模型缩写见第 5 节--use_doc_orientation_classify False关闭文档方向分类模型--use_doc_unwarping False关闭文本图像矫正unwarping模型--use_textline_orientation False关闭文本行方向分类模型--save_path ./output结果可视化与 JSON 输出目录--device gpu:0推理设备可改为cpu或gpu:N其他命令行参数的详细解释可参考通用 OCR 流水线文档的命令行用法一节。运行后终端会输出结构化结果字典其中rec_texts为识别出的文本列表rec_scores为对应的置信度dt_polys/rec_polys/rec_boxes分别为检测与识别的多边形与框坐标{res: {input_path: /root/.paddlex/predict_input/general_ocr_french01.png, page_index: None, model_settings: {use_doc_preprocessor: True, use_textline_orientation: False}, doc_preprocessor_res: {input_path: None, page_index: None, model_settings: {use_doc_orientation_classify: False, use_doc_unwarping: False}, angle: -1}, dt_polys: array([[[119, 23], ..., [118, 75]], ...]), text_det_params: {limit_side_len: 64, limit_type: min, thresh: 0.3, max_side_limit: 4000, box_thresh: 0.6, unclip_ratio: 1.5}, text_type: general, textline_orientation_angles: array([-1, ..., -1]), text_rec_score_thresh: 0.0, rec_texts: [mifere; la profpérité les fuccès ac-, ...], rec_scores: array([0.98409832, ..., 0.98091048]), rec_polys: array([[[119, 23], ..., [118, 75]], ...], dtypeint16), rec_boxes: array([[118, ..., 81], ..., [108, ..., 562]], dtypeint16)}}指定save_path后可视化结果会保存到对应目录便于人工核验识别质量。3. 快速开始Python API 集成除命令行外也可以在初始化通用 OCR 流水线时通过lang参数指定特定语言的识别模型。示例同样以法语为例from paddleocr import PaddleOCR ocr PaddleOCR( langfr, # Specify French recognition model with the lang parameter use_doc_orientation_classifyFalse, # Disable document orientation classification model use_doc_unwarpingFalse, # Disable text image unwarping model use_textline_orientationFalse, # Disable text line orientation classification model ) result ocr.predict(https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_french01.png) for res in result: res.print() res.save_to_img(output) res.save_to_json(output)其中PaddleOCR构造函数的常用参数与命令行参数一一对应lang目标语言缩写决定识别模型是切换多语言的核心参数use_doc_orientation_classify是否启用文档方向分类use_doc_unwarping是否启用文本图像矫正use_textline_orientation是否启用文本行方向分类ocr_version显式指定 OCR 版本PP-OCRv3/PP-OCRv4/PP-OCRv5/PP-OCRv6不指定时会依据lang自动选择。predict返回的结果对象支持print()打印结构化结果、save_to_img()保存可视化图片、save_to_json()保存 JSON 结果方便后续程序化处理。PaddleOCR类的更多参数说明可参考通用 OCR 流水线文档的 Python 集成一节。4. 性能对比11 个多语言识别模型官方在各自语种构建的评测数据集上对比了 PP-OCRv5 多语言识别模型与上一代PP-OCRv3 对应模型的精度数据如下ModelAccuracy on the corresponding dataset (%)Improvement over the previous generation model (%)korean_PP-OCRv5_mobile_rec88.065.0latin_PP-OCRv5_mobile_rec84.746.8eslav_PP-OCRv5_mobile_rec81.631.4th_PP-OCRv5_mobile_rec82.68-el_PP-OCRv5_mobile_rec89.28-en_PP-OCRv5_mobile_rec85.2511.0cyrillic_PP-OCRv5_mobile_rec80.2721.2arabic_PP-OCRv5_mobile_rec81.2722.83devanagari_PP-OCRv5_mobile_rec84.9668.26te_PP-OCRv5_mobile_rec87.6543.47ta_PP-OCRv5_mobile_rec94.239.23每个模型均提供Inference Model用于部署推理与Pretrained Model用于继续训练/微调两种官方发布格式可在 PaddleX 官方模型库中按模型名检索下载。评测数据集说明官方文档 NotesKorean 数据集PP-OCRv5 最新构建含 5,007 张韩文文本图像Latin 语系数据集PP-OCRv5 最新构建含 3,111 张拉丁语系文本图像East Slavic东斯拉夫语数据集含俄语、白俄罗斯语、乌克兰语共 7,031 张文本图像Thai 数据集PP-OCRv5 最新构建含 4,261 张文本图像Greek 数据集PP-OCRv5 最新构建含 2,799 张文本图像English 数据集PP-OCRv5 最新构建含 6,530 张文本图像Cyrillic 数据集PP-OCRv5 西里尔识别数据集含 7,600 张文本图像Tamil 数据集PP-OCRv5 泰米尔识别数据集含 2,121 张文本图像Telugu 数据集PP-OCRv5 泰卢固识别数据集含 2,478 张文本图像Arabic 数据集PP-OCRv5 阿拉伯语、梵语等识别数据集含 2,676 张文本图像Devanagari 数据集PP-OCRv5 天城文识别数据集含 3,611 张文本图像。其中泰米尔语ta模型精度最高94.2%而相比上一代提升最显著的是天城文devanagari68.26%与韩语korean65.0%模型泰语th与希腊语el为 PP-OCRv5 全新构建数据集无上一代对比基线。整体来看PP-OCRv5 多语言模型相比 PP-OCRv3 普遍有 20~68 个百分点的精度跃升与文档中整体提升超 30%的结论一致。5. 支持的语言与缩写106 种--lang/lang参数使用下表右侧的缩写指定语言。完整清单如下左列为语言名称右列为缩写LanguageAbbreviationLanguageAbbreviationChinese中英文chHungarian匈牙利语huEnglish英语enSerbian (latin)塞尔维亚语-拉丁rs_latinFrench法语frIndonesian印尼语idGerman德语deOccitan奥克语ocJapanese日语japanIcelandic冰岛语isKorean韩语koreanLithuanian立陶宛语ltTraditional Chinese繁体中文chinese_chtMaori毛利语miAfrikaans南非荷兰语afMalay马来语msItalian意大利语itDutch荷兰语nlSpanish西班牙语esNorwegian挪威语noBosnian波斯尼亚语bsPolish波兰语plPortuguese葡萄牙语ptSlovak斯洛伐克语skCzech捷克语csSlovenian斯洛文尼亚语slWelsh威尔士语cyAlbanian阿尔巴尼亚语sqDanish丹麦语daSwedish瑞典语svEstonian爱沙尼亚语etSwahili斯瓦希里语swIrish爱尔兰语gaTagalog他加禄语tlCroatian克罗地亚语hrTurkish土耳其语trUzbek乌兹别克语uzLatin拉丁语laRussian俄语ruBelarusian白俄罗斯语beUkrainian乌克兰语ukThai泰语thGreek希腊语elAzerbaijani阿塞拜疆语azKurdish库尔德语kuLatvian拉脱维亚语lvMaltese马耳他语mtPali巴利语piRomanian罗马尼亚语roVietnamese越南语viFinnish芬兰语fiBasque巴斯克语euGalician加利西亚语glLuxembourgish卢森堡语lbRomansh罗曼什语rmCatalan加泰罗尼亚语caQuechua克丘亚语quTelugu泰卢固语teSerbian (Cyrillic)塞尔维亚语-西里尔rs_cyrillicBulgarian保加利亚语bgMongolian蒙古语mnAbkhaz阿布哈兹语abAdyghe阿迪格语adyKabardian卡巴尔达语kbdAvar阿瓦尔语avDargwa达尔金语darIngush印古什语inhChechen车臣语ceLak拉克语lkiLezgian列兹金语lezTabasaran塔巴萨兰语tabKazakh哈萨克语kkKyrgyz吉尔吉斯语kyTajik塔吉克语tgMacedonian马其顿语mkTatar鞑靼语ttChuvash楚瓦什语cvBashkir巴什基尔语baMari马里语mhrMoldovan摩尔多瓦语moUdmurt乌德穆尔特语udmKomi科米语kvOssetian奥塞梯语osBuriat布里亚特语buaKalmyk卡尔梅克语xalTuvinian图瓦语tyvSakha萨哈语sahKarakalpak卡拉卡尔帕克语kaaArabic阿拉伯语arPersian波斯语faUyghur维吾尔语ugUrdu乌尔都语urPashto普什图语psKurdish库尔德语kuSindhi信德语sdBalochi俾路支语balHindi印地语hiMarathi马拉地语mrNepali尼泊尔语neBihari比哈尔语bhMaithili迈蒂利语maiOld English古英语angBhojpuri博杰普尔语bhoMagahi摩揭陀语mahSadri萨德里语sckNewar尼瓦尔语newKonkani孔卡尼语gomSanskrit梵语saHaryanvi哈里亚纳语bgcTamil泰米尔语ta覆盖的语系包括拉丁语系法语、德语、西班牙语、意大利语等约 47 种、西里尔语系俄语、保加利亚语、蒙古语等、东斯拉夫语系俄语、白俄罗斯语、乌克兰语、阿拉伯语系阿拉伯语、波斯语、乌尔都语等、天城文语系印地语、马拉地语、尼泊尔语、梵语等、以及泰语、希腊语、韩语、泰米尔语、泰卢固语等独立语种。6. 模型与支持语言映射106 种语言并非每个语言一个独立模型而是由11 个模型按语系聚类覆盖。实际使用时传入任意语言缩写底层会自动落到对应模型映射逻辑见第 7 节ModelSupported Languageskorean_PP-OCRv5_mobile_rec韩语、英语latin_PP-OCRv5_mobile_rec法语、德语、南非荷兰语、意大利语、西班牙语、波斯尼亚语、葡萄牙语、捷克语、威尔士语、丹麦语、爱沙尼亚语、爱尔兰语、克罗地亚语、乌兹别克语、匈牙利语、塞尔维亚语拉丁、印尼语、奥克语、冰岛语、立陶宛语、毛利语、马来语、荷兰语、挪威语、波兰语、斯洛伐克语、斯洛文尼亚语、阿尔巴尼亚语、瑞典语、斯瓦希里语、他加禄语、土耳其语、拉丁语、阿塞拜疆语、库尔德语、拉脱维亚语、马耳他语、巴利语、罗马尼亚语、越南语、芬兰语、巴斯克语、加利西亚语、卢森堡语、罗曼什语、加泰罗尼亚语、克丘亚语eslav_PP-OCRv5_mobile_rec俄语、白俄罗斯语、乌克兰语、英语th_PP-OCRv5_mobile_rec泰语、英语el_PP-OCRv5_mobile_rec希腊语、英语en_PP-OCRv5_mobile_rec英语cyrillic_PP-OCRv5_mobile_rec俄语、白俄罗斯语、乌克兰语、塞尔维亚语西里尔、保加利亚语、蒙古语、阿布哈兹语、阿迪格语、卡巴尔达语、阿瓦尔语、达尔金语、印古什语、车臣语、拉克语、列兹金语、塔巴萨兰语、哈萨克语、吉尔吉斯语、塔吉克语、马其顿语、鞑靼语、楚瓦什语、巴什基尔语、马里语、摩尔多瓦语、乌德穆尔特语、科米语、奥塞梯语、布里亚特语、卡尔梅克语、图瓦语、萨哈语、卡拉卡尔帕克语、英语arabic_PP-OCRv5_mobile_rec阿拉伯语、波斯语、维吾尔语、乌尔都语、普什图语、库尔德语、信德语、俾路支语、英语devanagari_PP-OCRv5_mobile_rec印地语、马拉地语、尼泊尔语、比哈尔语、迈蒂利语、昂加语、博杰普尔语、摩揭陀语、桑塔利语、尼瓦尔语、孔卡尼语、梵语、哈里亚纳语、英语ta_PP-OCRv5_mobile_rec泰米尔语、英语te_PP-OCRv5_mobile_rec泰卢固语、英语注意en_PP-OCRv5_mobile_rec是基于PP-OCRv5针对英文场景专门微调的优化版本处理英文文本时具有更高的识别精度和更好的适应性其余多语言模型也普遍兼容英文输入如korean_PP-OCRv5_mobile_rec同时覆盖韩语与英语这保证了混合语言文本如韩文英文混排场景下的可用性。7. 源码视角--lang如何路由到识别模型多语言能力的落地依赖底层的语言到模型自动路由机制。在 paddleocr/_pipelines/ocr.py 的_get_ocr_model_names方法中可以看到完整的映射逻辑语言代码首先被归入若干语系集合LATIN_LANGS、ARABIC_LANGS、ESLAV_LANGS、CYRILLIC_LANGS、DEVANAGARI_LANGS这些集合定义在 paddleocr/_utils/langs.py 中例如LATIN_LANGS收录了fr、de、es、pt等拉丁语系语言代码ARABIC_LANGS收录ar、fa、ug、ur等当lang命中某一语系时识别模型名被构造成f{rec_lang}_PP-OCRv5_mobile_rec例如fr→latin→latin_PP-OCRv5_mobile_recru→eslav→eslav_PP-OCRv5_mobile_rec独立语种korean、th、el、te、ta直接映射到同名模型例如korean→korean_PP-OCRv5_mobile_recch/chinese_cht/japan走PP-OCRv5_server_recen走专门的en_PP-OCRv5_mobile_rec检测模型统一使用PP-OCRv5_server_det即多语言识别复用同一检测器仅识别模型按语言切换。此外当未显式指定ocr_version时代码会根据lang自动判定版本韩语、泰语、希腊语、泰卢固语、泰米尔语以及各语系集合中的语言会自动选择 PP-OCRv5而简体中文、英文、日文、繁体中文等默认语言则会落入 PP-OCRv6 路径。_SUPPORTED_OCR_VERSIONS [PP-OCRv3, PP-OCRv4, PP-OCRv5, PP-OCRv6]如果传入非法版本值会直接抛出ValueError。也就是说paddleocr的默认行为本身就具备按语言自动挑版本、按语系自动挑模型的能力文档中的--lang fr一行命令背后正是这套路由逻辑在起作用。8. 使用建议优先按语系选模型而非逐语言开发106 种语言只需维护 11 个模型拉丁语系、西里尔语系等内部语言共享同一模型参数工程上显著降低了多语言 OCR 的维护成本混合语言文本天然可用所有多语言模型都兼容英文韩文英文、泰文英文、阿拉伯文英文等混排场景可直接使用纯英文场景使用专用模型若业务以英文为主应显式指定--lang en以命中en_PP-OCRv5_mobile_rec其精度与适应性优于通用模型按语系精度与提升幅度权衡参考第 4 节数据泰米尔语94.2%、希腊语89.28%、韩语88.0%精度领先若从 PP-OCRv3 迁移天城文68.26%、韩语65.0%、拉丁语系46.8%的收益最大按需开关辅助模型文档示例默认关闭文档方向分类、矫正与文本行方向分类这既降低推理开销也避免辅助模型在纯文本图像上引入额外误差对倾斜、透视变形的文档图像再按需开启。【免费下载链接】PaddleOCR飞桨多语言OCR工具包实用超轻量OCR系统支持80种语言识别提供数据标注与合成工具支持服务器、移动端、嵌入式及IoT设备端的训练与部署 Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80 languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)项目地址: https://gitcode.com/paddlepaddle/PaddleOCR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考