PaddleOCR/docs/version3.x/algorithm/PP-OCRv5/PP-OCRv5.md

一、PP-OCRv5简介

PP-OCRv5 是PP-OCR新一代文字识别解决方案，该方案聚焦于多场景、多文字类型的文字识别。在文字类型方面，PP-OCRv5支持简体中文、中文拼音、繁体中文、英文、日文5大主流文字类型，在场景方面，PP-OCRv5升级了中英复杂手写体、竖排文本、生僻字等多种挑战性场景的识别能力。在内部多场景复杂评估集上，PP-OCRv5较PP-OCRv4端到端提升13个百分点。

二、关键指标

1. 文本检测指标

模型	手写中文	手写英文	印刷中文	印刷英文	繁体中文	古籍文本	日文	通用场景	拼音	旋转	扭曲	艺术字	平均
PP-OCRv5_server_det	0.803	0.841	0.945	0.917	0.815	0.676	0.772	0.797	0.671	0.8	0.876	0.673	0.827
PP-OCRv4_server_det	0.706	0.249	0.888	0.690	0.759	0.473	0.685	0.715	0.542	0.366	0.775	0.583	0.662
PP-OCRv5_mobile_det	0.744	0.777	0.905	0.910	0.823	0.581	0.727	0.721	0.575	0.647	0.827	0.525	0.770
PP-OCRv4_mobile_det	0.583	0.369	0.872	0.773	0.663	0.231	0.634	0.710	0.430	0.299	0.715	0.549	0.624

对比PP-OCRv4，PP-OCRv5在所有检测场景下均有明显提升，尤其在手写、古籍、日文检测能力上表现更优。

2. 文本识别指标

评估集类别	手写中文	手写英文	印刷中文	印刷英文	繁体中文	古籍文本	日文	易混淆字符	通用场景	拼音	竖直文本	艺术字	加权平均
PP-OCRv5_server_rec	0.5807	0.5806	0.9013	0.8679	0.7472	0.6039	0.7372	0.5946	0.8384	0.7435	0.9314	0.6397	0.8401
PP-OCRv4_server_rec	0.3626	0.2661	0.8486	0.6677	0.4097	0.3080	0.4623	0.5028	0.8362	0.2694	0.5455	0.5892	0.5735
PP-OCRv5_mobile_rec	0.4166	0.4944	0.8605	0.8753	0.7199	0.5786	0.7577	0.5570	0.7703	0.7248	0.8089	0.5398	0.8015
PP-OCRv4_mobile_rec	0.2980	0.2550	0.8398	0.6598	0.3218	0.2593	0.4724	0.4599	0.8106	0.2593	0.5924	0.5555	0.5301

单模型即可覆盖多语言和多类型文本，识别精度大幅领先前代产品和主流开源方案。

三、PP-OCRv5 Demo示例

更多示例

四、推理性能参考数据

测试环境：

• NVIDIA Tesla V100
• Intel Xeon Gold 6271C
• PaddlePaddle 3.0.0

在 200 张图像（包括通用图像与文档图像）上测试。测试时从磁盘读取图像，因此读图时间及其他额外开销也被包含在总耗时内。如果将图像提前载入到内存，可进一步减少平均每图约 25 ms 的时间开销。

如果不特别说明，则：

• 使用 PP-OCRv4_mobile_det 和 PP-OCRv4_mobile_rec 模型。
• 不使用文档图像方向分类、文本图像矫正、文本行方向分类。
• 将 text_det_limit_type 设置为 "min"、text_det_limit_side_len 设置为 732。

1. PP-OCRv5 与 PP-OCRv4 推理性能对比

配置	说明
v5_mobile	使用 PP-OCRv5_mobile_det 和 PP-OCRv5_mobile_rec 模型。
v4_mobile	使用 PP-OCRv4_mobile_det 和 PP-OCRv4_mobile_rec 模型。
v5_server	使用 PP-OCRv5_server_det 和 PP-OCRv5_server_rec 模型。
v4_server	使用 PP-OCRv4_server_det 和 PP-OCRv4_server_rec 模型。

GPU，不使用高性能推理：

配置	平均每图耗时（s）	平均每秒预测字符数量	平均 CPU 利用率（%）	峰值 RAM 用量（MB）	平均 RAM 用量（MB）	峰值 VRAM 用量（MB）	平均 VRAM 用量（MB）
v5_mobile	0.56	1162	106.02	1576.43	1420.83	18.95	4342.00
v4_mobile	0.27	2246	111.20	1392.22	1318.76	28.90	1304.00
v5_server	0.70	929	105.31	1634.85	1428.55	36.21	5402.00
v4_server	0.44	1418	106.96	1455.34	1346.95	58.82	6760.00

GPU，使用高性能推理：

配置	平均每图耗时（s）	平均每秒预测字符数量	平均 CPU 利用率（%）	峰值 RAM 用量（MB）	平均 RAM 用量（MB）	峰值 VRAM 用量（MB）	平均 VRAM 用量（MB）
v5_mobile	0.50	1301	106.50	1338.12	1155.86	11.97	4112.00
v4_mobile	0.21	2887	114.09	1113.27	1054.46	15.22	2072.00
v5_server	0.60	1084	105.73	1980.73	1776.20	22.10	12150.00
v4_server	0.36	1687	104.15	1186.42	1065.67	38.12	13058.00

CPU，不使用高性能推理：

配置	平均每图耗时（s）	平均每秒预测字符数量	平均 CPU 利用率（%）	峰值 RAM 用量（MB）	平均 RAM 用量（MB）
v5_mobile	1.43	455	798.93	11695.40	6829.09
v4_mobile	1.09	556	813.16	11996.30	6834.25
v5_server	3.79	172	799.24	50216.00	27902.40
v4_server	4.22	148	803.74	51428.70	28593.60

CPU，使用高性能推理：

配置	平均每图耗时（s）	平均每秒预测字符数量	平均 CPU 利用率（%）	峰值 RAM 用量（MB）	平均 RAM 用量（MB）
v5_mobile	1.14	571	339.68	3245.17	2560.55
v4_mobile	0.68	892	443.00	3057.38	2329.44
v5_server	3.56	183	797.03	45664.70	26905.90
v4_server	4.22	148	803.74	51428.70	28593.60

说明：PP-OCRv5 的识别模型使用了更大的字典，需要更长的推理时间，导致 PP-OCRv5 的推理速度慢于 PP-OCRv4。

2. 使用辅助功能对 PP-OCRv5 推理性能的影响

配置	说明
base	不使用文档图像方向分类、文本图像矫正、文本行方向分类。
with_textline	使用文本行方向分类，不使用文档图像方向分类、文本图像矫正。
with_all	使用文档图像方向分类、文本图像矫正、文本行方向分类。

GPU，不使用高性能推理：

配置	平均每图耗时（s）	平均每秒预测字符数量	平均 CPU 利用率（%）	峰值 RAM 用量（MB）	平均 RAM 用量（MB）	峰值 VRAM 用量（MB）	平均 VRAM 用量（MB）
base	0.56	1162	106.02	1576.43	1420.83	18.95	4342.00
with_textline	0.59	1104	105.58	1765.64	1478.53	19.48	4350.00
with_all	1.02	600	104.92	1924.23	1628.50	10.96	2632.00

CPU，不使用高性能推理：

配置	平均每图耗时（s）	平均每秒预测字符数量	平均 CPU 利用率（%）	峰值 RAM 用量（MB）	平均 RAM 用量（MB）
base	1.43	455	798.93	11695.40	6829.09
with_textline	1.50	434	799.47	12007.20	6882.22
with_all	1.93	316	646.49	11759.60	6940.54

说明：文本图像矫正等辅助功能会对端到端推理精度造成影响，因此并不一定使用的辅助功能越多、资源用量越大。

3. 文本检测模块输入缩放尺寸策略对 PP-OCRv5 推理性能的影响

配置	说明
mobile_min_1280	使用 PP-OCRv5_mobile_det 和 PP-OCRv5_mobile_rec 模型，将 text_det_limit_type 设置为 "min"、text_det_limit_side_len 设置为 1280。
mobile_min_736	使用 PP-OCRv5_mobile_det 和 PP-OCRv5_mobile_rec 模型，将 text_det_limit_type 设置为 "min"、text_det_limit_side_len 设置为 1280。
mobile_max_960	使用 PP-OCRv5_mobile_det 和 PP-OCRv5_mobile_rec 模型，将 text_det_limit_type 设置为 "max"、text_det_limit_side_len 设置为 960。
mobile_max_640	使用 PP-OCRv5_mobile_det 和 PP-OCRv5_mobile_rec 模型，将 text_det_limit_type 设置为 "max"、text_det_limit_side_len 设置为 640。
server_min_1280	使用 PP-OCRv5_server_det 和 PP-OCRv5_server_rec 模型，将 text_det_limit_type 设置为 "min"、text_det_limit_side_len 设置为 1280。
server_min_736	使用 PP-OCRv5_server_det 和 PP-OCRv5_server_rec 模型，将 text_det_limit_type 设置为 "min"、text_det_limit_side_len 设置为 1280。
server_max_960	使用 PP-OCRv5_server_det 和 PP-OCRv5_server_rec 模型，将 text_det_limit_type 设置为 "max"、text_det_limit_side_len 设置为 960。
server_max_640	使用 PP-OCRv5_server_det 和 PP-OCRv5_server_rec 模型，将 text_det_limit_type 设置为 "max"、text_det_limit_side_len 设置为 640。

GPU，不使用高性能推理：

配置	平均每图耗时（s）	平均每秒预测字符数量	平均 CPU 利用率（%）	峰值 RAM 用量（MB）	平均 RAM 用量（MB）	峰值 VRAM 用量（MB）	平均 VRAM 用量（MB）
mobile_min_1280	0.61	1071	109.12	1663.71	1439.72	19.27	4202.00
mobile_min_736	0.56	1162	106.02	1576.43	1420.83	18.95	4342.00
mobile_max_960	0.48	1313	103.49	1587.25	1395.48	19.37	2642.00
mobile_max_640	0.42	1436	103.07	1651.14	1422.62	18.95	2530.00
server_min_1280	0.82	795	107.17	1678.16	1428.94	40.43	10368.00
server_min_736	0.70	929	105.31	1634.85	1428.55	36.21	5402.00
server_max_960	0.59	1073	103.03	1590.19	1383.62	33.42	2928.00
server_max_640	0.54	1099	102.63	1602.09	1416.49	30.77	3152.00

CPU，不使用高性能推理：

配置	平均每图耗时（s）	平均每秒预测字符数量	平均 CPU 利用率（%）	峰值 RAM 用量（MB）	平均 RAM 用量（MB）
mobile_min_1280	1.64	398	799.45	12344.10	7100.60
mobile_min_736	1.43	455	798.93	11695.40	6829.09
mobile_max_960	1.21	521	800.13	11099.10	6369.49
mobile_max_640	1.01	597	802.52	9585.48	5573.52
server_min_1280	4.48	145	800.49	50683.10	28273.30
server_min_736	3.79	172	799.24	50216.00	27902.40
server_max_960	2.67	237	797.63	49362.50	26075.60
server_max_640	2.36	251	795.18	45656.10	24900.80

五、部署与二次开发

• 多系统支持：兼容Windows、Linux、Mac等主流操作系统。
• 多硬件支持：除了英伟达GPU外，还支持Intel CPU、昆仑芯、昇腾等新硬件推理和部署。
• 高性能推理插件：推荐结合高性能推理插件进一步提升推理速度，详见高性能推理指南。
• 服务化部署：支持高稳定性服务化部署方案，详见服务化部署指南。
• 二次开发能力：支持自定义数据集训练、字典扩展、模型微调。举例：如需增加韩文识别，可扩展字典并微调模型，无缝集成到现有产线，详见文本检测模块使用教程及文本识别模块使用教程