3257 字
约 10 分钟
4
PaddleOCR入门教程
2026-07-25
AI助手
Python
/
OCR
/
PaddleOCR
/
Java
/
深度学习
/
开源工具

PaddleOCR入门教程

前言

遇到了一个非常实际的问题：每天有大量的扫描件、PDF、图片需要转换成可编辑的文本，人工录入效率太低，外包标注成本又太高。

我第一个推荐的就是PaddleOCR。

说实话，这几年OCR领域发展太快了。

传统方案（比如Tesseract）在中文场景下表现一直不太理想，而商业API又贵又不灵活。

PaddleOCR的出现，几乎以一己之力改变了整个开源OCR的格局——百度出品、完全开源、支持100+语言、精度碾压同类方案。

截至2026年6月，PaddleOCR在GitHub上已获得超过8.22万星标，被Dify、RAGFlow、Cherry Studio等顶级开源项目广泛采用。

就在2026年6月11日，PaddleOCR刚刚发布了v3.7.0版本，带来了全新的PP-OCRv6模型。

今天这篇文章，我就从零开始，把PaddleOCR的安装、使用、原理、Java集成，从头到尾给你拆解一遍。

希望对你会有所帮助。

一、PaddleOCR到底是什么？

1.1 一句话说清

PaddleOCR是百度飞桨（PaddlePaddle）团队开源的OCR工具库，能把图片和PDF里的文字，精准地提取成可编辑的文本或结构化数据。

“OCR”的全称是Optical Character Recognition（光学字符识别），说白了就是让计算机“看懂”图片里的文字。

传统的OCR方案（比如Tesseract）基于传统图像处理算法，对清晰印刷体的识别还行，但一旦遇到复杂背景、倾斜文字、手写体、多语言混合，准确率就直线下降。

而PaddleOCR基于深度学习，能在这些复杂场景下保持极高的识别精度。

1.2 PaddleOCR的核心优势

① 高精度：PP-OCRv6_medium以仅34.5M参数，在文本检测和识别精度上超越了Qwen3-VL-235B、GPT-5.5等主流视觉语言大模型。

② 多语言：支持110+种语言识别，PP-OCRv6的medium和small档单模型覆盖50种语言（中文、英文、日文及46种拉丁语系语言），无需为不同语种切换模型。

③ 轻量化：提供Tiny（1.5M）、Small（7.7M）、Medium（34.5M） 三档模型，覆盖从浏览器端到服务器的全算力平台。Tiny档在浏览器端单图预测最快仅需97毫秒。

二、2026年最新版本

PaddleOCR 3.7 + PP-OCRv6。

有些小伙伴可能还在用PaddleOCR 2.x的老版本。

这里提醒一下：PaddleOCR 3.x引入了大量接口变动，2.x的旧代码很可能无法直接运行。

2.1 v3.7.0核心更新（2026年6月11日）

PP-OCRv6是PaddleOCR的第六代OCR模型，带来了多项重磅升级：

升级维度

具体提升

检测精度

medium档相比PP-OCRv5_server提升4.6%

识别精度

medium档相比PP-OCRv5_server提升5.1%

语言覆盖

单模型覆盖50种语言（中英日+46种拉丁语系）

CPU推理

medium档Intel Xeon端到端时延1.40秒，速度达到PP-OCRv5_server的5.2倍

Apple M4

tiny档推理加速6.1倍

A100 GPU

单图推理仅需0.13秒

三档模型全覆盖：

Tiny（1.5M参数） ：边缘设备、轻量级本地OCR、延迟敏感场景

Small（7.7M参数） ：移动端、桌面端、平衡型OCR服务

Medium（34.5M参数） ：精度优先的OCR、服务端流水线、工业OCR

2.2 PaddleOCR-VL-1.6：文档解析新SOTA

除了PP-OCRv6，PaddleOCR还有一条独立的文档解析（VL）产品线。

2026年6月12日，PaddleOCR-VL-1.6正式上线。这是一个0.9B参数的视觉语言模型（VLM） ，专为复杂文档解析设计。

在权威评测榜单OmniDocBench v1.6中，PaddleOCR-VL-1.6在文本、表格、公式、图表四大核心任务上准确率高达96.33%，综合排名全球第一。

它支持111种语言，在古籍、生僻字、印章等场景均有显著提升。

三、技术架构

3.1 三阶段流水线架构

PaddleOCR采用经典的三阶段流水线架构：

第一阶段：文本检测（Detection）

PaddleOCR采用DB（Differentiable Binarization，可微分二值化）算法。传统方法需要先做语义分割再二值化，两个步骤是分离的。DB算法通过可微分二值化技术，把语义分割和二值化合并成一个可训练的端到端过程。

实验数据显示，在ICDAR2015数据集上，DB算法的F1值达到86.3%，较传统方法提升12%。

PP-OCRv6进一步升级了检测模块，采用RepLKFPN（轻量大核特征金字塔网络） ，专门针对多尺度文本检测设计。

第二阶段：方向分类（Angle Classification）

针对倾斜文本识别问题，PaddleOCR提供0°、90°、180°、270°四方向分类模型。启用方向分类后，垂直文本识别准确率可从68%提升至92%。

第三阶段：文本识别（Recognition）

识别模块采用CRNN（卷积循环神经网络） 架构，结合CNN特征提取与RNN序列建模。

最新版本引入Transformer结构，通过自注意力机制捕捉字符间长距离依赖关系，在中文场景下识别准确率提升至95.7%。

PP-OCRv6在识别模块中采用EncoderWithLightSVTR，将局部上下文建模与全局注意力相结合。

3.2 端到端执行流程图

下面是PaddleOCR从输入图片到输出结构化数据的完整执行流程：

四、安装与快速上手

4.1 环境准备

系统要求：

操作系统：Linux（推荐Ubuntu 20.04）、Windows 10/11、macOS（11+）

Python版本：3.7-3.10

硬件：CPU（推荐4核以上）或GPU（NVIDIA显卡，CUDA 11.x）

4.2 安装PaddlePaddle

PaddleOCR依赖PaddlePaddle深度学习框架：

Bash

# CPU版本
pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

# GPU版本（需提前安装CUDA/cuDNN）
pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple

验证安装：

Python

import paddle
paddle.utils.run_check()
# 输出 "PaddlePaddle is installed successfully!" 表示成功

4.3 安装PaddleOCR

Bash

# 安装完整功能
python -m pip install "paddleocr[all]"

# 或使用百度镜像加速
pip install paddleocr -i https://mirror.baidu.com/pypi/simple

关键依赖包括：OpenCV（图像处理）、Shapely（几何计算）、PyMuPDF（PDF解析）。

4.4 快速识别：三行代码

Python

from paddleocr import PaddleOCR

# 1. 初始化OCR引擎
ocr = PaddleOCR(use_angle_cls=True, lang='ch')

# 2. 执行识别
result = ocr.ocr('test.jpg', cls=True)

# 3. 解析结果
for line in result:
    print(f"坐标: {line[0]}, 文本: {line[1][0]}, 置信度: {line[1][1]:.2f}")

参数说明：

use_angle_cls：是否启用文本方向分类（适用于倾斜文本）

lang：语言类型（ch中文、en英文、fr法语、japan日文等）

cls：是否启用方向分类

4.5 完整示例：识别并标注结果

Python

from paddleocr import PaddleOCR, draw_ocr
from PIL import Image

# 初始化
ocr = PaddleOCR(use_angle_cls=True, lang='ch')

# 识别图片
img_path = 'test.jpg'
result = ocr.ocr(img_path, cls=True)

# 可视化
image = Image.open(img_path).convert('RGB')
boxes = [line[0] for line in result[0]]      # 坐标框
txts = [line[1][0] for line in result[0]]    # 识别文本
scores = [line[1][1] for line in result[0]]  # 置信度

im_show = draw_ocr(image, boxes, txts, scores, font_path='simfang.ttf')
im_show = Image.fromarray(im_show)
im_show.save('result.jpg')

五、多语言识别与批量处理

5.1 多语言切换

Python

# 中文识别
ocr_ch = PaddleOCR(lang='ch')

# 英文识别
ocr_en = PaddleOCR(lang='en')

# 日文识别
ocr_jp = PaddleOCR(lang='japan')

# 法语识别
ocr_fr = PaddleOCR(
    det_model_dir='ch_PP-OCRv3_det_infer',
    rec_model_dir='fr_PP-OCRv3_rec_infer',
    cls_model_dir='ch_ppocr_mobile_v2.0_cls_infer',
    lang='fr'
)

5.2 批量处理

Python

# 批量识别
img_list = ['img1.jpg', 'img2.png', 'img3.bmp']
results = ocr.ocr(img_list, batch_size=4)  # GPU下建议batch_size>1

性能优化建议：

图像预处理：统一尺寸（建议640x640）、灰度化

GPU下设置提升吞吐量batch_size>1

启用，在Tesla V100上处理速度可达300FPSuse_gpu=True

六、Java开发者如何集成PaddleOCR？

有些小伙伴可能会问：我是写Java的，PaddleOCR是Python库，怎么用到Java项目里？

确实，PaddleOCR本身是Python生态的工具。但Java开发者有三种主流集成方案可以选择。

6.1 方案一：REST API封装（最推荐）

这是最优雅、最解耦的方案：把PaddleOCR部署为独立的微服务，Java通过HTTP调用。

Python服务端（Flask + PaddleOCR）：

Python

from flask import Flask, request, jsonify
from paddleocr import PaddleOCR
import json

app = Flask(__name__)
ocr = PaddleOCR(use_angle_cls=True, lang='ch')

@app.route('/api/ocr', methods=['POST'])
def ocr_api():
    file = request.files['file']
    img_path = file.save('temp.jpg')
    result = ocr.ocr('temp.jpg', cls=True)
    # 解析结果
    data = []
    for line in result[0]:
        data.append({
            'text': line[1][0],
            'confidence': line[1][1],
            'bbox': line[0]
        })
    return jsonify({'code': 200, 'data': data})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

Java客户端（Spring Boot + RestTemplate）：

Java

@RestController
public class OCRController {
    
    @PostMapping("/ocr")
    public String recognize(@RequestParam("file") MultipartFile file) {
        RestTemplate restTemplate = new RestTemplate();
        String url = "http://localhost:5000/api/ocr";
        
        MultiValueMap<String, Object> body = new LinkedMultiValueMap<>();
        body.add("file", new FileSystemResource(file.getOriginalFilename()));
        
        HttpEntity<MultiValueMap<String, Object>> requestEntity = 
            new HttpEntity<>(body, headers);
        ResponseEntity<String> response = restTemplate.postForEntity(
            url, requestEntity, String.class);
        return response.getBody();
    }
}

优势：Java与Python完全解耦，便于横向扩展和独立升级。

6.2 方案二：ONNX Runtime + Java

将PaddleOCR模型导出为ONNX格式，然后通过ONNX Runtime在Java中直接加载推理。

PP-OCRv6支持ONNX Runtime等多种推理后端。

XML

<!-- Maven依赖 -->
<dependency>
    <groupId>com.microsoft.onnxruntime</groupId>
    <artifactId>onnxruntime</artifactId>
    <version>1.17.0</version>
</dependency>

6.3 方案三：DJL（Deep Java Library）

通过DJL（AWS开源的Java深度学习库）调用PaddleOCR模型。

PaddleOCR通过DJL实现Java调用，支持中英文混合识别（精度达97%），提供表格识别、版面分析等高级功能。

6.4 PaddleOCR 3.x 多语言服务调用

PaddleOCR 3.0.2版本已新增C++、Java、Go、C#、Node.js、PHP六种语言的服务调用示例。官方已提供完整的Java调用示例，建议直接参考官方文档。

方案选择建议：

方案

适用场景

难度

REST API

大多数企业级项目

⭐⭐

ONNX Runtime

对延迟有极致要求

⭐⭐⭐⭐

DJL

希望纯Java生态

⭐⭐⭐

七、与其他OCR方案对比

实测数据最能说明问题。在一项针对发票关键信息提取的对比研究中，PaddleOCR以0.958的F1-score排名第一，大幅领先其他方案。

在另一项测试中（NVIDIA Tesla T4 GPU）：

OCR方案

中文识别准确率

英文识别准确率

PaddleOCR

92.7%

95.1%

EasyOCR

88.3%

93.2%

Tesseract

76.5%

89.7%

PaddleOCR的优势：

中文场景表现最佳：比Tesseract高出16个百分点

深度学习驱动：对复杂背景、倾斜文本、小字体等场景适应性更强

多语言支持：110+种语言，覆盖范围最广

八、优缺点

优点

1. 精度极高 PP-OCRv6_medium以34.5M参数超越Qwen3-VL-235B、GPT-5.5等主流VLM模型。PaddleOCR-VL-1.6在OmniDocBench上准确率达96.33%，全球第一。

2. 多语言覆盖广 支持110+种语言，PP-OCRv6单模型覆盖50种语言。

3. 轻量化部署 三档模型（1.5M/7.7M/34.5M）覆盖端侧到服务器全场景。Tiny档浏览器端97ms/图，A100上0.13s。

4. 功能全面 不只是文字识别，还支持表格识别、公式识别、版面分析、印章识别等复杂场景。

5. 开源生态活跃 GitHub 82.2K+ Star，被Dify、RAGFlow等顶级项目采用。

6. 国产硬件支持 支持昆仑芯、昇腾等国产硬件。

缺点

1. 依赖Python生态 核心是Python库，Java/.NET等语言需要通过API或ONNX等方式调用。

2. 3.x版本破坏性变更 从2.x升级到3.x有大量接口变动，旧代码无法直接运行。

3. 部署相对复杂 相比Tesseract等传统方案，PaddleOCR需要安装PaddlePaddle深度学习框架，环境配置更复杂。

4. 内存消耗 GPU模式下需要显存（建议4GB+），在资源受限的边缘设备上需要使用Tiny档模型。

5. 冷启动延迟 首次加载模型需要一定时间（约2-5秒），Serverless场景需注意。

九、适用场景

强烈推荐使用的场景

场景

典型应用

推荐理由

文档数字化

扫描件转文字、PDF解析

PaddleOCR-VL支持表格/公式/图表识别

企业文档处理

合同、财报、标书解析

高精度+结构化输出

金融票据识别

发票、回单、支票识别

PaddleOCR在发票信息提取中F1-score达0.958

工业质检

仪表读数、产品标签识别

轻量化模型+边缘部署

古籍数字化

古籍扫描件识别

PaddleOCR-VL在古籍识别场景显著增强

多语言场景

国际化文档处理

110+语言支持

需要评估的场景

场景

原因

极低延迟实时场景

模型加载和推理有一定延迟

资源极度受限设备

需使用Tiny档（1.5M），精度会有所下降

纯Java生态项目

需要通过API/ONNX等方式调用

十、写在最后

回到最初的问题：PaddleOCR到底值不值得用？

答案是肯定的。

PaddleOCR已经不是“能用”的水平了——它正在成为开源OCR的事实标准。

82.2K的GitHub Star、110+种语言支持、96.33%的文档解析准确率、从1.5M到34.5M的三档模型覆盖——这些数字背后，是一整套经过了大规模产业验证的OCR解决方案。

对于企业来说，PaddleOCR意味着：不再需要花大价钱买商业OCR API，不需要忍受Tesseract糟糕的中文识别率，不需要自己从零训练OCR模型。

开箱即用，精度在线，成本可控。

对于Java开发者来说，虽然PaddleOCR核心是Python，但通过REST API、ONNX Runtime、DJL等多种方式，完全可以无缝集成到Java项目中。

更何况，PaddleOCR 3.0.2已经官方提供了Java服务调用示例。

如果你正在做文档处理、票据识别、内容审核、RAG数据准备等任何涉及文字提取的工作，PaddleOCR都值得你花一个下午把它跑起来试试。

开源地址与官方资源：

GitHub：https://github.com/PaddlePaddle/PaddleOCR（82.2K+ Star）

官方文档：https://www.paddleocr.ai/

PP-OCRv6在线Demo：https://huggingface.co/spaces/PaddlePaddle/PP-OCRv6_Online_Demo

PaddleOCR-VL产品页：https://ai.baidu.com/tech/ocr/doc_parser

PaddleOCR入门教程
http://clxhxhhr.top/posts/194/
作者
clxstart
发布于
2026-07-25
许可协议
CC BY-NC-SA 4.0
Superpowers、OpenSpec、Spec-Kit有什么区别？
FastAPI入门教程
评论
0 条
还没有评论，先写一条吧。