一、PP-OCRv5多语种文字识别介绍¶
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106种语言的多语种文字识别能力，包括韩文、西班牙文、法文、葡萄牙文、德文、意大利文、俄罗斯文、泰文、希腊文等（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 在多语言文字识别准确率上实现了超过30%的提升。
法文识别结果
德文识别结果
韩文识别结果
俄文识别结果
泰文识别结果
希腊文识别结果
阿拉伯文识别结果
印地文识别结果
泰米尔文识别结果
泰卢固文识别结果
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
{'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")
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 | 模型下载链接 | 对应数据集精度（%） | 相比前代模型提升幅度 (%) |
|---|---|---|---|
| korean_PP-OCRv5_mobile_rec | 推理模型/训练模型 | 88.0 | 65.0 |
| latin_PP-OCRv5_mobile_rec | 推理模型/训练模型 | 84.7 | 46.8 |
| eslav_PP-OCRv5_mobile_rec | 推理模型/训练模型 | 81.6 | 31.4 |
| th_PP-OCRv5_mobile_rec | 推理模型/训练模型 | 82.68 | - |
| el_PP-OCRv5_mobile_rec | 推理模型/训练模型 | 89.28 | - |
| en_PP-OCRv5_mobile_rec | 推理模型/训练模型 | 85.25 | 11.0 |
| cyrillic_PP-OCRv5_mobile_rec | 推理模型/训练模型 | 80.27 | 21.2 |
| arabic_PP-OCRv5_mobile_rec | 推理模型/训练模型 | 81.27 | 22.83 |
| devanagari_PP-OCRv5_mobile_rec | 推理模型/训练模型 | 84.96 | 68.26 |
| te_PP-OCRv5_mobile_rec | 推理模型/训练模型 | 87.65 | 43.47 |
| ta_PP-OCRv5_mobile_rec | 推理模型/训练模型 | 94.2 | 39.23 |
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。 - 泰文数据集：PP-OCRv5 最新构建的泰文共计 4261 张文本图片的识别数据集。 - 希腊文数据集：PP-OCRv5 最新构建的希腊文共计 2799 张文本图片的识别数据集。 - 英文数据集：PP-OCRv5 最新构建的英文共计 6530 张文本图片的识别数据集。 - 西里尔语数据集：PP-OCRv5 最新构建的西里尔文共计 7600 张文本图片的识别数据集。 - 泰米尔语数据集：PP-OCRv5 最新构建的泰米尔语共计 2121 张文本图片的识别数据集。 - 泰卢固语数据集：PP-OCRv5 最新构建的泰卢固语共计 2478 张文本图片的识别数据集。 - 阿拉伯语数据集：PP-OCRv5 最新构建的阿拉伯、梵语等共计 2676 张文本图片的识别数据集。 - 天城文数据集：PP-OCRv5 最新构建的天城文共计 3611 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) | rs_latin | |
| 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 | 泰文 | Thai | th | |
| 希腊文 | Greek | el | 阿塞拜疆文 | Azerbaijani | az | |
| 库尔德文 | Kurdish | ku | 拉脱维亚文 | Latvian | lv | |
| 马耳他文 | Maltese | mt | 巴利文 | Pali | pi | |
| 罗马尼亚文 | Romanian | ro | 越南文 | Vietnamese | vi | |
| 芬兰文 | Finnish | fi | 巴斯克文 | Basque | eu | |
| 加利西亚文 | Galician | gl | 卢森堡文 | Luxembourgish | lb | |
| 罗曼什文 | Romansh | rm | 加泰罗尼亚文 | Catalan | ca | |
| 克丘亚文 | Quechua | qu | 泰卢固文 | Telugu | te | |
| 塞尔维亚语（西里尔字母） | Serbian (Cyrillic) | sr | 保加利亚文 | Bulgarian | bg | |
| 蒙古文 | Mongolian | mn | 阿布哈兹文 | Abkhaz | ab | |
| 阿迪赫文 | Adyghe | ady | 卡巴尔达文 | Kabardian | kbd | |
| 阿瓦尔文 | Avar | av | 达尔格瓦文 | Dargwa | dar | |
| 印古什文 | Ingush | inh | 车臣文 | Chechen | ce | |
| 拉克文 | Lak | lki | 列兹金文 | Lezgian | lez | |
| 塔巴萨兰文 | Tabasaran | tab | 哈萨克文 | Kazakh | kk | |
| 吉尔吉斯文 | Kyrgyz | ky | 塔吉克文 | Tajik | tg | |
| 马其顿文 | Macedonian | mk | 鞑靼文 | Tatar | tt | |
| 楚瓦什文 | Chuvash | cv | 巴什基尔文 | Bashkir | ba | |
| 马里文 | Mari | mhr | 莫尔多瓦文 | Moldovan | mo | |
| 乌德穆尔特文 | Udmurt | udm | 科米文 | Komi | kv | |
| 奥塞梯文 | Ossetian | os | 布里亚特文 | Buriat | bua | |
| 卡尔梅克文 | Kalmyk | xal | 图瓦文 | Tuvinian | tyv | |
| 萨哈文 | Sakha | sah | 卡拉卡尔帕克语 | Karakalpak | kaa | |
| 阿拉伯文 | Arabic | ar | 波斯文 | Persian | fa | |
| 维吾尔文 | Uyghur | ug | 乌尔都文 | Urdu | ur | |
| 普什图文 | Pashto | ps | 库尔德文 | Kurdish | ku | |
| 信德文 | Sindhi | sd | 俾路支文 | Balochi | bal | |
| 印地文 | Hindi | hi | 马拉地文 | Marathi | mr | |
| 尼泊尔文 | Nepali | ne | 比哈尔文 | Bihari | bh | |
| 迈蒂利文 | Maithili | mai | 古英文 | Old English | ang | |
| 博杰普尔文 | Bhojpuri | bho | 马加希文 | Magahi | mah | |
| 萨达里文 | Sadri | sck | 尼瓦尔文 | Newar | new | |
| 孔卡尼文 | Konkani | gom | 梵文 | Sanskrit | sa | |
| 哈里亚纳文 | Haryanvi | bgc | 泰米尔语 | Tamil | ta |
五、模型及其支持的语种¶
| 模型 | 支持语种 |
|---|---|
| PP-OCRv5_server_rec | 简体中文、繁体中文、英文、日文 |
| PP-OCRv5_mobile_rec | 简体中文、繁体中文、英文、日文 |
| korean_PP-OCRv5_mobile_rec | 韩文、英文 |
| latin_PP-OCRv5_mobile_rec | 法文、德文、南非荷兰文、意大利文、西班牙文、波斯尼亚文、葡萄牙文、捷克文、威尔士文、丹麦文、爱沙尼亚文、爱尔兰文、克罗地亚文、乌兹别克文、匈牙利文、塞尔维亚文（latin）、印度尼西亚文、欧西坦文、冰岛文、立陶宛文、毛利文、马来文、荷兰文、挪威文、波兰文、斯洛伐克文、斯洛文尼亚文、阿尔巴尼亚文、瑞典文、西瓦希里文、塔加洛文、土耳其文、拉丁文、阿塞拜疆文、库尔德文、拉脱维亚文、马耳他文、巴利文、罗马尼亚文、越南文、芬兰文、巴斯克文、加利西亚文、卢森堡文、罗曼什文、加泰罗尼亚文、克丘亚文 |
| eslav_PP-OCRv5_mobile_rec | 俄罗斯文、白俄罗斯文、乌克兰文、英文 |
| th_PP-OCRv5_mobile_rec | 泰文、英文 |
| el_PP-OCRv5_mobile_rec | 希腊文、英文 |
| en_PP-OCRv5_mobile_rec | 英文 |
| cyrillic_PP-OCRv5_mobile_rec | 俄罗斯文、白俄罗斯文、乌克兰文、塞尔维亚文（cyrillic）、保加利亚文、蒙古文、阿布哈兹文、阿迪赫文、卡巴尔达文、阿瓦尔文、达尔格瓦文、印古什文、车臣文、拉克文、列兹金文、塔巴萨兰文、哈萨克文、吉尔吉斯文、塔吉克文、马其顿文、鞑靼文、楚瓦什文、巴什基尔文、马里文、莫尔多瓦文、乌德穆尔特文、科米文、奥塞梯文、布里亚特文、卡尔梅克文、图瓦文、萨哈文、卡拉卡尔帕克文、英文 |
| arabic_PP-OCRv5_mobile_rec | 阿拉伯文、波斯文、维吾尔文、乌尔都文、普什图文、库尔德文、信德文、俾路支文、英文 |
| devanagari_PP-OCRv5_mobile_rec | 印地文，马拉地文，尼泊尔文，比哈尔文，迈蒂利文，古英文，博杰普尔文，马加希文，萨达里文，尼瓦尔文，孔卡尼文，梵文，哈里亚纳文、英文 |
| ta_PP-OCRv5_mobile_rec | 泰米尔文、英文 |
| te_PP-OCRv5_mobile_rec | 泰卢固文、英文 |
注： en_PP-OCRv5_mobile_rec 是在 PP-OCRv5 模型基础上，针对英文场景进行了定向优化，在处理英文文本时表现出更高的识别精度和更强的场景适应能力。