跳转至

一、PP-OCRv5多语种文本识别介绍

PP-OCRv5 是 PP-OCR 系列的最新一代文字识别解决方案，专注于多场景、多语种的文字识别任务。在文字类型支持方面，默认配置的识别模型可准确识别简体中文、中文拼音、繁体中文、英文和日文这五大主流文字类型。同时，PP-OCRv5还提供了覆盖37种语言的多语种识别能力，包括韩文、西班牙文、法文、葡萄牙文、德文、意大利文、俄罗斯文等（具体支持语种及缩写详见第四节）。相较于前代 PP-OCRv3 版本，PP-OCRv5 在多语言识别准确率上实现了超过30%的提升。

img

img

img

img

img

二、快速使用

您可以通过在命令行中使用 --lang 参数，来使用指定语种的文本识别模型进行通用 OCR 产线的推理：

# 通过 `--lang` 参数指定使用法语的识别模型
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
上述命令行的其他参数说明请参考通用 OCR 产线的命令行使用方式, 运行后结果会被打印到终端上：

{'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]],

       ...,

       [[109, 506],
        ...,
        [108, 556]]], dtype=int16), '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-', 'compagnent l’homme induftrieux.', 'Quel eft celui qui a acquis des ri-', 'cheffes, qui eft devenu puiffant, qui', 's’eft couvert de gloire, dont l’éloge', 'retentit par-tout, qui fiege au confeil', "du Roi? C'eft celui qui bannit la pa-", "reffe de fa maifon, & qui a dit à l'oifi-", 'veté : tu es mon ennemie.'], 'rec_scores': array([0.98409832, ..., 0.98091048]), 'rec_polys': array([[[119,  23],
        ...,
        [118,  75]],

       ...,

       [[109, 506],
        ...,
        [108, 556]]], dtype=int16), 'rec_boxes': array([[118, ...,  81],
       ...,
       [108, ..., 562]], dtype=int16)}}

若指定了save_path，则会保存可视化结果在save_path下。可视化结果如下：

您也可以使用 Python 代码，在通用 OCR 产线初始化时，通过 lang 参数来使用指定语种的识别模型：

from paddleocr import PaddleOCR

ocr = PaddleOCR(
    lang="fr" # 通过 lang 参数指定使用法语的识别模型
    use_doc_orientation_classify=False, # 通过 use_doc_orientation_classify 参数指定不使用文档方向分类模型
    use_doc_unwarping=False, # 通过 use_doc_unwarping 参数指定不使用文本图像矫正模型
    use_textline_orientation=False, # 通过 use_textline_orientation 参数指定不使用文本行方向分类模型
)
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")
更过关于 PaddleOCR 类参数的说明参考通用 OCR 产线的脚本方式集成。

三、指标对比

模型 韩语数据集 精度 (%) 模型 拉丁字母语言数据集 精度 (%) 模型 东斯拉夫语言数据集 精度 (%)
korean_PP-OCRv5_mobile_rec 88.0 latin_PP-OCRv5_mobile_rec 84.7 eslav_PP-OCRv5_mobile_rec 85.8
korean_PP-OCRv3_mobile_rec 23.0 latin_PP-OCRv3_mobile_rec 37.9 cyrillic_PP-OCRv3_mobile_rec 50.2

注： - 韩语数据集：PP-OCRv5 最新构建的包含了 5007 张韩语文本图片的识别数据集。 - 拉丁字母语言数据集：PP-OCRv5 最新构建的包含了 3111 张拉丁字母语言的文本图片识别数据集。 - 东斯拉夫语言数据集：PP-OCRv5 最新构建的包含了俄语、 白俄罗斯语和乌克兰语共计 7031 张文本图片的识别数据集。

四、 支持语种及缩写

语种 描述 缩写 语种 描述 缩写
中文 Chinese & English ch 匈牙利文 Hungarian hu
英文 English en 塞尔维亚文（latin） Serbian(latin) rslatin
法文 French fr 印度尼西亚文 Indonesian id
德文 German de 欧西坦文 Occitan oc
日文 Japanese japan 冰岛文 Icelandic is
韩文 Korean korean 立陶宛文 Lithuanian lt
中文繁体 Chinese Traditional chinese_cht 毛利文 Maori mi
南非荷兰文 Afrikaans af 马来文 Malay ms
意大利文 Italian it 荷兰文 Dutch nl
西班牙文 Spanish es 挪威文 Norwegian no
波斯尼亚文 Bosnian bs 波兰文 Polish pl
葡萄牙文 Portuguese pt 斯洛伐克文 Slovak sk
捷克文 Czech cs 斯洛文尼亚文 Slovenian sl
威尔士文 Welsh cy 阿尔巴尼亚文 Albanian sq
丹麦文 Danish da 瑞典文 Swedish sv
爱沙尼亚文 Estonian et 西瓦希里文 Swahili sw
爱尔兰文 Irish ga 塔加洛文 Tagalog tl
克罗地亚文 Croatian hr 土耳其文 Turkish tr
乌兹别克文 Uzbek uz 拉丁文 Latin la
俄罗斯文 Russian ru 白俄罗斯文 Belarusian be
乌克兰文 Ukranian uk

评论