29 KiB

Raw Blame History

PP-OCRv6 可行性分析与实施方案

1. 文档目的

本文评估在当前 PP-OCRv6 项目中，参考相邻项目 ../ocr-VL1.6 的工程结构和功能，建设一套基于 PP-OCRv6 的本地 OCR 应用是否可行，并给出推荐架构、改造范围、实施步骤、风险及验收标准。

本文所称“仿照 ../ocr-VL1.6”主要指复用其以下工程能力：

根目录统一入口；
CPU/GPU 运行环境隔离；
图片、PDF、目录自动路由；
PDF 文本层提取与 OCR 混合处理；
模型延迟加载；
批量串行处理；
统一输出目录；
Benchmark、日志、断点续传与测试。

本项目已确认不实现版面分析和表格结构恢复。Markdown 输出仅定位为“便于阅读的文字结果”，按识别顺序拼接文本，不追求原文档版面或表格结构还原。

2. 参考项目现状

参考项目 ../ocr-VL1.6 已具备较完整的本地 OCR 工程框架，其主要结构如下：

ocr-VL1.6/
├── ocr.py                  # 根目录统一入口
├── ocr_app/
│   ├── cli.py              # 命令行参数
│   ├── commands.py         # 图片/PDF/目录路由
│   ├── runtime.py          # CPU/GPU 校验和模型延迟加载
│   ├── output.py           # 输出归一化
│   ├── pdf.py              # PDF 分页、OCR、断点续传
│   ├── pdf_text.py         # PDF 文本层提取与质量判断
│   └── logging_utils.py    # UTF-8 日志
├── cpu/                    # CPU 独立 uv 项目
├── gpu/                    # GPU 独立 uv 项目
├── tests/                  # 共享逻辑测试
├── outputs/
├── benchmarks/
└── logs/

参考项目当前使用：

paddleocr[doc-parser]==3.7.0；
CPU：paddlepaddle==3.2.1；
GPU：paddlepaddle-gpu==3.2.1；
PDF 渲染：pypdfium2>=5.11.0；
Python 环境管理：uv。

经本地已安装包源码核验，PaddleOCR 3.7.0 已原生支持：

from paddleocr import PaddleOCR

ocr = PaddleOCR(
    ocr_version="PP-OCRv6",
    lang="ch",
    device="cpu",
)

当不显式指定模型名称时，PP-OCRv6 默认使用：

默认文本检测：PP-OCRv6_medium_det；
默认文本识别：PP-OCRv6_medium_rec；
可选规格：tiny、small、medium，检测与识别模型按相同规格成对选择。

因此，参考项目的依赖体系和 CPU/GPU 隔离方案可以继续使用，不需要引入新的 OCR 框架。

3. 模型能力差异

3.1 PaddleOCR-VL-1.6

参考项目使用的 PaddleOCR-VL-1.6 属于视觉语言文档解析管线，输出中包含：

版面区域；
文档块标签；
按版面组织的文本内容；
富 Markdown；
Markdown 图片资源；
parsing_res_list、layout_det_res 等结构化信息。

它更适合复杂文档解析、版面理解和接近原文档结构的 Markdown 导出。

3.2 PP-OCRv6

PP-OCRv6 是传统检测与识别组合式 OCR 管线，主要输出：

dt_polys：检测框多边形；
rec_texts：识别文本；
rec_scores：识别置信度；
rec_polys：保留的识别区域；
rec_boxes：矩形坐标；
可选文字方向和单词级坐标。

其核心优势是文本检测与识别，默认不提供与 PaddleOCR-VL-1.6 等价的：

标题、正文、表格、图片等版面语义分类；
复杂阅读顺序恢复；
表格结构还原；
公式、图表和文档级语义理解；
原生富 Markdown。

3.3 能力对比

维度	PaddleOCR-VL-1.6	PP-OCRv6	影响
普通文字识别	支持	支持，通常更轻量	可替换
文本框坐标	支持	支持	可替换
识别置信度	结果形态依管线	原生支持	PP-OCRv6 更直接
版面分析	强	非核心能力	不可直接等价替换
表格结构恢复	支持文档解析能力	默认不支持	需要额外模型或降级输出
Markdown	原生富 Markdown	需要自行拼接	必须重写输出适配器
推理资源	较高	通常较低	PP-OCRv6 更适合通用 OCR
批量吞吐	受 VLM 生成影响	检测识别管线更适合批量	预期更好，需实测
PDF 文本层混合路由	工程层实现	可复用同一工程层	可直接复用

4. 可行性结论

4.1 总体结论

项目可行，推荐实施。

如果目标是实现“图片/PDF/目录的本地文字识别应用”，并保留 ../ocr-VL1.6 的统一入口、CPU/GPU 隔离、PDF 混合模式、输出管理、Benchmark 和日志能力，则整体可行性为高。

本项目不要求与 PaddleOCR-VL-1.6 完全一致的版面结构和富 Markdown，也不实现表格结构恢复，因此上述能力不纳入本次实施范围。

4.2 分项可行性

项目	可行性	说明
CPU 本地推理	高	当前依赖已支持 PP-OCRv6，参考项目 CPU 环境可复用
NVIDIA GPU 推理	高但需实机验证	GPU Wheel 安装逻辑可复用，仍需目标 CUDA 机器验证
单图片 OCR	高	`PaddleOCR.predict()` 可直接处理图片
批量目录 OCR	高	可复用串行路由和单模型复用机制
扫描 PDF OCR	高	复用 PDF 渲染后逐页调用 PP-OCRv6
电子 PDF 文本直取	高	与 OCR 模型无关，可直接复用
PDF 混合模式	高	可复用文本层质量判定和按页路由
PDF 断点续传	高	可复用 manifest 机制，调整结果字段即可
TXT/JSON 输出	高	PP-OCRv6 原生结果适合导出
简单 Markdown 输出	高	可按阅读顺序拼接纯文本行
便读 Markdown	高	按识别顺序拼接文字，不恢复原版面
版面/表格结构恢复	不实施	已明确排除在本项目范围之外
多语言	中	PP-OCRv6 支持范围需按语言确认，不支持的语言应回退 PP-OCRv5 或拒绝启动

4.3 推荐适用场景

PP-OCRv6 版本适合：

名片、票据、截图、扫描件的文字提取；
中文、英文、日文及已支持拉丁语种识别；
大量普通图片的批处理；
电子 PDF 与扫描 PDF 混合处理；
对坐标、置信度和纯文本有明确需求的场景；
CPU 本地部署或资源受限部署。

不建议仅使用 PP-OCRv6 完成：

高保真合同版面还原；
表格单元格结构恢复；
公式语义识别；
图文混排文档的章节层级恢复；
与 PaddleOCR-VL 输出完全兼容的富 Markdown 生成。

5. 建设目标

建议本项目第一阶段实现以下功能：

根目录统一入口：

python ocr.py <图片|PDF|目录> --device cpu|gpu

自动按输入类型路由：
- 图片：PP-OCRv6 检测与识别；
- PDF：文本层直取或页面 OCR；
- 目录：发现支持的图片和 PDF，串行处理。
CPU/GPU 环境完全隔离：
- cpu/.venv；
- gpu/.venv；
- GPU 不可用时明确失败，不静默回退 CPU。
模型延迟加载：
- 纯电子 PDF 不加载 PP-OCRv6；
- 首张图片或首个扫描 PDF 页面才初始化模型；
- 同一批次复用单个模型实例。
输出格式：
- result.txt：纯文本；
- result.md：简单 Markdown；
- result.json：归一化结构化结果；
- visualization.jpg：可选识别可视化；
- benchmark.json：耗时、设备、模型和统计信息。
PDF 能力：
- hybrid、text、ocr 三种模式；
- 页码选择；
- PDF 密码；
- 断点续传；
- 覆盖重做；
- 每页独立结果和整文档合并结果。
UTF-8 结构化日志、错误处理和自动化测试。

6. 推荐目录结构

建议沿用参考项目结构，但将模型相关字段改为 PP-OCRv6：

PP-OCRv6/
├── ocr.py
├── ocr_app/
│   ├── __init__.py
│   ├── cli.py
│   ├── commands.py
│   ├── runtime.py
│   ├── result_adapter.py     # PP-OCRv6 结果归一化
│   ├── output.py
│   ├── pdf.py
│   ├── pdf_text.py
│   └── logging_utils.py
├── cpu/
│   ├── .python-version
│   ├── pyproject.toml
│   ├── uv.lock
│   ├── README.md
│   └── runner.py
├── gpu/
│   ├── .python-version
│   ├── pyproject.toml
│   ├── README.md
│   ├── runner.py
│   └── setup_env.py
├── data/
│   ├── images/
│   └── documents/
├── outputs/
├── benchmarks/
├── logs/
├── tests/
├── docs/
│   └── 01-可行性分析与实施方案.md
├── .gitignore
└── README.md

新增 result_adapter.py 的原因是 PP-OCRv6 与 PaddleOCR-VL-1.6 的结果对象差异较大。模型原始结果不应直接扩散到 PDF、输出、Benchmark 和日志模块中，应先转换为稳定的项目内部数据结构。

7. 核心架构设计

7.1 分层结构

ocr.py
  ↓ 选择 CPU/GPU 独立环境
cpu/runner.py 或 gpu/runner.py
  ↓
ocr_app/cli.py
  ↓
ocr_app/commands.py
  ├── 图片路由
  ├── PDF 路由
  └── 目录路由
  ↓
ocr_app/runtime.py
  ↓ 延迟创建
PaddleOCR(ocr_version="PP-OCRv6")
  ↓
ocr_app/result_adapter.py
  ↓
TXT / Markdown / JSON / 可视化 / Benchmark

7.2 运行时设计

PipelineProvider 继续负责：

导入 PaddlePaddle；
CPU 线程配置；
CUDA 构建检查；
GPU 数量和设备编号检查；
模型延迟初始化；
GPU 同步；
设备和环境元数据收集。

模型初始化建议为：

from paddleocr import PaddleOCR

self._pipeline = PaddleOCR(
    ocr_version="PP-OCRv6",
    lang=self.config.lang,
    device=self.resolved_device,
    use_doc_orientation_classify=self.config.use_doc_orientation_classify,
    use_doc_unwarping=self.config.use_doc_unwarping,
    use_textline_orientation=self.config.use_textline_orientation,
    text_recognition_batch_size=self.config.text_recognition_batch_size,
)

建议默认配置：

参数	建议默认值	说明
`ocr_version`	`PP-OCRv6`	显式锁定版本，避免依赖升级后默认值变化
`lang`	`ch`	主要面向中英文混合文档
`use_doc_orientation_classify`	`true`	处理整页旋转
`use_doc_unwarping`	`false`	默认关闭以降低加载和推理开销，可通过参数开启
`use_textline_orientation`	`true`	处理倒置文本行
`text_recognition_batch_size`	`6`	与默认配置保持一致，后续按设备调优
`text_rec_score_thresh`	`0.0`	保留原始结果，输出层可另设过滤阈值

所有模型选项必须记录到 Benchmark 和 PDF manifest 中，以保证结果可追溯并支持安全续传。

7.3 统一内部结果模型

建议将 PaddleOCR 原始结果转换为以下项目内部结构：

{
  "schema_version": 1,
  "source_type": "image_ocr",
  "input_path": "data/images/example.jpg",
  "page_index": 0,
  "model": {
    "ocr_version": "PP-OCRv6",
    "detection_model": "PP-OCRv6_medium_det",
    "recognition_model": "PP-OCRv6_medium_rec",
    "language": "ch"
  },
  "image": {
    "width": 1920,
    "height": 1080
  },
  "lines": [
    {
      "index": 1,
      "text": "示例文本",
      "score": 0.9876,
      "polygon": [[10, 20], [200, 20], [200, 50], [10, 50]],
      "box": [10, 20, 200, 50],
      "orientation": 0
    }
  ],
  "summary": {
    "detected_lines": 1,
    "non_empty_lines": 1,
    "mean_score": 0.9876,
    "min_score": 0.9876
  }
}

内部结果模型应满足：

不依赖 PaddleOCR 私有类；
所有 NumPy 类型转换为标准 Python 类型；
字段稳定，可用于测试和后续 API 服务；
保留坐标和置信度；
原始 PaddleOCR JSON 可选择另存为 raw-result.json，但不作为项目主接口。

7.4 文本阅读顺序

PP-OCRv6 已对检测框进行基础排序，但复杂多栏文档的阅读顺序仍可能不符合人类阅读习惯。

第一阶段建议：

使用模型结果顺序；
按顺序写入 TXT 和简单 Markdown；
JSON 中完整保留坐标；
不承诺复杂多栏和表格的语义顺序。

如后续需要增强，可增加可选的坐标排序策略：

单栏：从上到下、从左到右；
多栏：先聚类列，再逐列排序；
表格：交由专用表格结构识别模块处理。

8. 图片处理方案

8.1 处理流程

校验图片类型
  ↓
延迟加载 PP-OCRv6
  ↓
可选预热
  ↓
执行 N 轮推理
  ↓
结果适配和统计
  ↓
输出 TXT/MD/JSON/可视化/Benchmark

8.2 输出目录

outputs/images/<图片名_扩展名>/
├── result.txt
├── result.md
├── result.json
├── raw-result.json          # 可选
├── visualization.jpg       # 可选
└── benchmark.json

8.3 Markdown 输出定义

PP-OCRv6 不提供版面语义，因此 result.md 应明确定位为“便于阅读的文字结果”，例如：

# example.jpg

示例文本第一行

示例文本第二行

不应伪造标题、表格、图片引用等模型未识别出的结构。

8.4 Benchmark 指标

建议记录：

Paddle 导入时间；
运行时配置时间；
模型初始化时间；
预热时间；
每轮推理时间；
结果适配时间；
导出时间；
文件总耗时；
检测文本行数；
非空文本行数；
平均、最小、最大置信度；
CPU 线程数；
GPU 显存信息；
模型名称、语言和预处理开关。

9. PDF 处理方案

9.1 复用策略

参考项目的 PDF 文本层提取、质量判断、页码解析、渲染、manifest 和断点续传逻辑与具体 OCR 模型耦合较低，建议保留。

需要重写的部分主要是：

OCR 页结果解析；
OCR 页 Markdown 生成；
OCR 页 JSON 结构；
页面统计字段；
manifest 中的模型配置和结果摘要。

9.2 混合处理流程

打开 PDF
  ↓
逐页提取文本层并评估质量
  ├── 文本层有效：直接保存文本
  └── 文本层无效：渲染为 PNG → PP-OCRv6
  ↓
保存逐页 MD/JSON
  ↓
更新 manifest
  ↓
合并 document.md/document.json

9.3 PDF 模式

模式	行为
`hybrid`	默认。优先使用有效文本层，必要时才 OCR
`text`	只提取文本层，不加载模型
`ocr`	所有选中页面均渲染并执行 PP-OCRv6

9.4 PDF 输出目录

outputs/pdfs/<PDF名>/
├── manifest.json
├── document.md
├── document.json
├── pages/
│   ├── page-0001.md
│   ├── page-0001.json
│   └── ...
├── visualizations/          # 可选
└── rendered/                # 仅 --keep-rendered 时保留

9.5 断点续传兼容性

建议为 PP-OCRv6 项目设置独立的 manifest 版本，例如：

{
  "manifest_version": 1,
  "pipeline": "PP-OCRv6",
  "model_config": {
    "language": "ch",
    "detection_model": "PP-OCRv6_medium_det",
    "recognition_model": "PP-OCRv6_medium_rec",
    "use_doc_orientation_classify": true,
    "use_doc_unwarping": false,
    "use_textline_orientation": true
  }
}

恢复任务时至少校验：

PDF SHA-256；
PDF 模式；
页面渲染 DPI；
文本层质量阈值；
PP-OCRv6 模型名称；
语言；
文档方向、去畸变、文本行方向开关；
识别置信度阈值；
manifest 版本。

任一关键配置变化时，应拒绝直接续传并提示使用 --overwrite。

10. CLI 设计

10.1 基础命令

python ocr.py data/images/example.jpg --device cpu
python ocr.py data/documents/example.pdf --device cpu
python ocr.py data/ --recursive --device cpu
python ocr.py verify --device gpu

10.2 建议保留的参数

--device cpu|gpu
--device-id 0
--threads N
--recursive
--output PATH
--fail-fast
--warmup N
--rounds N
--benchmark-json PATH
--pdf-mode hybrid|text|ocr
--pages "1-5,8,10-"
--dpi 144
--password PASSWORD
--resume
--overwrite
--keep-rendered
--log-file PATH
--verbose

10.3 PP-OCRv6 新参数

--lang ch
--text-rec-score-thresh 0.0
--text-det-limit-side-len N
--text-det-limit-type min|max
--text-det-thresh 0.3
--text-det-box-thresh 0.6
--text-det-unclip-ratio 1.5
--text-recognition-batch-size 6
--return-word-box
--use-doc-orientation-classify / --no-doc-orientation-classify
--use-doc-unwarping / --no-doc-unwarping
--use-textline-orientation / --no-textline-orientation
--save-visualization
--save-raw-result

10.4 应删除的 VLM 专用参数

以下参数属于 PaddleOCR-VL 生成式推理，不适用于 PP-OCRv6，应从新项目中移除：

--max-new-tokens
--min-pixels
--max-pixels

11. CPU/GPU 环境方案

11.1 CPU

建议首先沿用参考项目已验证组合：

[project]
requires-python = ">=3.13"
dependencies = [
    "paddleocr==3.7.0",
    "paddlepaddle==3.2.1",
    "pypdfium2>=5.11.0",
    "setuptools>=83.0.0",
]

如果可视化功能需要 OpenCV，应通过 PaddleOCR/PaddleX 实际依赖验证后补充对应包，避免同时安装冲突的 OpenCV 变体。

安装：

uv sync --project cpu

11.2 GPU

GPU 项目继续独立管理：

[project]
requires-python = ">=3.11,<3.13"
dependencies = [
    "paddleocr==3.7.0",
    "paddlepaddle-gpu==3.2.1",
    "pypdfium2>=5.11.0",
    "setuptools>=83.0.0",
]

GPU Wheel 不能仅依赖默认 PyPI 解析，应沿用 gpu/setup_env.py，按 PaddlePaddle 官方 CUDA 兼容矩阵选择安装源。

安装完成后生成 gpu/.gpu-ready，统一入口仅允许调用已完成安装的 GPU 环境。

11.3 模型缓存

首次运行时可能下载多个模型，包括：

PP-OCRv6 检测模型；
PP-OCRv6 识别模型；
文档方向分类模型；
文本行方向模型；
开启去畸变时的去畸变模型。

实施时应：

在 README 中说明首次启动需要网络和下载时间；
记录模型缓存位置；
支持通过模型目录参数加载离线模型；
在正式部署前预下载并执行一次冷启动验证；
不将模型权重提交到 Git。

12. 代码复用与改造清单

12.1 可直接或小幅复用

参考文件	复用程度	调整内容
`ocr.py`	高	修改项目提示文字
`ocr_app/logging_utils.py`	高	基本可直接复用
`ocr_app/pdf_text.py`	高	基本可直接复用
`ocr_app/cli.py`	中	替换模型参数
`ocr_app/commands.py`	中	替换图片结果统计和推理参数
`ocr_app/pdf.py`	中	替换 OCR 页结果解析和导出
`cpu/runner.py`	高	基本可直接复用
`gpu/runner.py`	高	基本可直接复用
`gpu/setup_env.py`	高	修改项目名称并重新验证
测试基础设施	高	保留假模型和临时目录模式

12.2 必须重写

模块	原因
`ocr_app/runtime.py` 的模型创建部分	`PaddleOCRVL` 改为 `PaddleOCR`
图片结果摘要	不再存在 `parsing_res_list` 和 `layout_det_res`
`ocr_app/output.py` 的 Markdown 导出	PP-OCRv6 没有 `result.markdown`
PDF OCR 页导出	需基于 `rec_texts/rec_scores/rec_polys` 生成
Benchmark 统计	从版面块统计改为文本行和置信度统计
模型参数和日志字段	删除 VLM 参数，增加检测/识别参数

12.3 不建议机械复制

不建议直接复制整个 ../ocr-VL1.6 后仅替换模型类名，原因包括：

输出代码强依赖 result.markdown；
纯文本生成强依赖 parsing_res_list；
Benchmark 强依赖版面框和解析块；
PDF 页面统计强依赖 layout_det_res；
VLM 参数会被错误传给 PP-OCRv6；
断点续传 manifest 未记录 PP-OCRv6 的关键配置。

推荐做法是复用工程骨架，同时新建明确的 PP-OCRv6 结果适配层。

13. 实施步骤

阶段一：工程骨架与环境

从参考项目选择性迁移目录结构；
创建根入口、CPU/GPU runner；
建立 CPU/GPU pyproject.toml；
迁移日志、PDF 文本层和基础工具；
完成 verify 命令；
验证 CPU PaddlePaddle 和 PaddleOCR 版本。

交付物：

CPU 环境可安装；
python ocr.py verify --device cpu 成功；
GPU 不可用时有明确提示且不回退 CPU。

阶段二：单图片 OCR

实现 PP-OCRv6 延迟加载；
实现单图片推理；
实现 result_adapter.py；
输出 TXT、MD、JSON；
实现 Benchmark；
增加可选可视化输出。

交付物：

中文、英文、旋转文本样例识别成功；
坐标和置信度正确写入 JSON；
多轮 Benchmark 可用。

阶段三：目录批处理

迁移后缀路由；
复用单模型实例；
保持串行处理；
处理递归目录和同名文件；
生成批次汇总 JSON；
验证单文件失败不会污染其他结果。

交付物：

图片目录可批量处理；
输出保留相对目录；
批次结果可追溯。

阶段四：PDF 混合模式

接入文本层质量判断；
实现扫描页渲染与 PP-OCRv6 推理；
实现逐页 TXT/MD/JSON；
实现整文档合并；
实现 manifest 和断点续传；
验证电子 PDF 不加载模型。

交付物：

hybrid、text、ocr 模式可用；
可选择页码；
中断后可恢复；
配置不一致时拒绝错误续传。

阶段五：GPU、性能与文档

在 NVIDIA GPU 机器安装环境；
执行 GPU Smoke Test；
测试冷启动、热启动和批量吞吐；
调整识别 Batch Size；
评估方向分类和去畸变的性能影响；
完善 README、故障排查和部署说明。

交付物：

CPU/GPU Benchmark 对比；
GPU 显存使用记录；
明确推荐参数。

14. 测试方案

14.1 单元测试

建议至少覆盖：

输入类型识别；
支持后缀发现；
页码范围解析；
文本层质量判断；
PP-OCRv6 原始结果归一化；
空识别结果处理；
NumPy 类型 JSON 序列化；
TXT/Markdown 生成；
输出目录命名；
递归目录相对路径；
manifest 参数一致性校验；
CPU/GPU 根入口路由。

14.2 集成测试

建议准备以下样例：

样例	目的
中文印刷体图片	基础识别
中英文混合名片	多语言和小字号
90°/180° 旋转图片	方向分类
透视拍摄文档	去畸变开关
手写图片	能力边界测试
纯电子 PDF	验证不加载 OCR 模型
纯扫描 PDF	验证逐页 OCR
混合 PDF	验证按页路由
加密 PDF	密码处理
多页大 PDF	断点续传和稳定性
多栏文档	验证阅读顺序限制
表格文档	明确非结构化输出边界

14.3 假模型测试

与参考项目一致，应使用假模型完成大多数工程测试，避免测试过程下载模型或消耗大量推理时间。

假结果至少包含：

{
    "rec_texts": ["第一行", "第二行"],
    "rec_scores": [0.98, 0.95],
    "rec_polys": [...],
    "rec_boxes": [...],
}

14.4 性能测试

分别记录：

首次模型下载时间；
冷启动模型初始化时间；
单图热推理时间；
100 张图片串行总耗时；
10 页扫描 PDF 总耗时；
CPU 不同线程数；
GPU 不同识别 Batch Size；
开启/关闭文档方向分类；
开启/关闭去畸变；
开启/关闭文本行方向分类。

Benchmark 必须标注输入尺寸、DPI、硬件和模型配置，否则不同结果不可直接比较。

15. 风险与应对

风险一：输出能力被误认为与 PaddleOCR-VL 等价

影响：高。

应对：

README 明确 PP-OCRv6 是文字检测识别管线；
result.md 标注为简单文本 Markdown；
不承诺表格、标题层级和复杂阅读顺序；
如业务确有结构化需求，另立 PP-Structure/文档解析增强阶段。

风险二：结果对象格式与参考项目不兼容

影响：高。

应对：

新建 result_adapter.py；
业务层只依赖内部结果模型；
使用假模型固定输出契约；
原始结果与归一化结果分开保存。

风险三：PP-OCRv6 语言支持有限

影响：中。

本地 PaddleOCR 3.7.0 的 PP-OCRv6 映射适用于中文、繁体中文、英文、日文及多数拉丁语种；韩文、阿拉伯文、部分西里尔文和印度语系等不应默认假设支持 PP-OCRv6。

应对：

默认 lang=ch；
启动时验证 lang + ocr_version；
不支持时给出明确错误；
如业务允许，可设计显式 --allow-version-fallback 回退 PP-OCRv5，但默认不应静默回退。

风险四：首次运行需要下载多个模型

影响：中。

应对：

增加部署前模型预热步骤；
支持离线模型目录；
在日志中记录下载和初始化阶段；
在生产环境提前准备缓存。

风险五：CPU 性能受辅助模型影响

影响：中。

默认 OCR 管线可能同时加载方向分类、文本行方向和去畸变模型。

应对：

默认关闭去畸变；
对方向正常的批量扫描件提供轻量配置；
分别 Benchmark 各开关；
不以单个样例推断整体性能。

风险六：GPU 环境未实机验证

影响：中。

应对：

保留严格的 GPU 就绪标记；
不允许 GPU 失败后自动回退 CPU；
在目标机器验证 CUDA、驱动和 Paddle Wheel；
记录实际显存和吞吐。

风险七：复杂 PDF 阅读顺序不准确

影响：中。

应对：

第一阶段保留坐标并按模型顺序输出；
对多栏和表格文档在验收中标记能力边界；
后续按业务需求增加版面排序或结构识别，而非在基础 OCR 中堆叠启发式规则。

16. 验收标准

16.1 功能验收

python ocr.py verify --device cpu 成功；
单张图片可输出 TXT、MD、JSON 和 Benchmark；
JSON 包含文本、置信度和坐标；
目录模式可处理图片和 PDF；
递归目录输出不会因同名文件互相覆盖；
PDF hybrid 模式能区分电子文本页和扫描页；
纯电子 PDF 不初始化 PP-OCRv6；
PDF 可按页处理并支持断点续传；
--overwrite 可安全重做；
GPU 环境不可用时明确失败且不回退 CPU；
日志、JSON 和中文路径均使用 UTF-8；
中断或单文件失败后已有结果保持完整。

16.2 质量验收

内部结果模型有固定 schema_version；
模型原始结果不直接泄漏到业务层；
关键文件写入采用原子替换；
manifest 记录完整模型配置；
配置变化时不能错误续传；
单元测试覆盖核心路由、输出、PDF 和恢复逻辑；
文档明确说明 PP-OCRv6 与 PaddleOCR-VL 的能力差异。

16.3 性能验收

性能目标不应在缺少目标硬件数据时设置绝对秒数。第一版建议以参考基线方式验收：

同一批次只初始化一次模型；
纯电子 PDF 不产生模型初始化耗时；
批量任务默认串行，不出现无控制的多进程；
Benchmark 可分离模型初始化、推理和导出耗时；
CPU/GPU 结果均记录完整硬件与参数信息；
连续处理大批量文件时内存无持续明显增长。

17. 工作量预估

在复用参考项目工程逻辑、且第一阶段不增加表格结构识别和复杂版面分析的前提下，建议工作量如下：

阶段	预估
工程骨架和 CPU/GPU 环境	0.5～1 人日
PP-OCRv6 运行时和单图结果适配	1～1.5 人日
图片输出、Benchmark、批处理	0.5～1 人日
PDF 混合模式和断点续传适配	1～1.5 人日
自动化测试	1～1.5 人日
GPU 实机验证、性能调优和文档	0.5～1 人日
合计	4.5～7.5 人日

如果增加以下能力，需单独评估：

表格结构识别；
多栏阅读顺序恢复；
PP-Structure 集成；
HTTP API/队列服务；
多 GPU 调度；
TensorRT/HPI 加速；
离线模型打包和安装程序。

18. 推荐决策

推荐采用以下决策：

确认立项：PP-OCRv6 可满足通用本地文字识别需求；
复用工程骨架，不机械复制模型输出代码；
新增统一结果适配层，隔离 PaddleOCR 原始结果；
第一阶段聚焦 TXT、简单 Markdown、JSON、坐标和置信度；
保留 PDF 混合模式，这是参考项目中最有价值且与模型无关的能力；
支持 tiny、small、medium 三种模型规格，默认使用 PP-OCRv6_medium_det + PP-OCRv6_medium_rec；
默认中文模式、开启方向分类、关闭文档去畸变，后续根据 Benchmark 调整；
GPU 必须实机验收，不声明未经验证的性能结论；
将版面分析和表格结构识别作为独立增强阶段，避免基础 OCR 项目范围失控。

最终判断：

以 ../ocr-VL1.6 为工程参考，建设 PP-OCRv6 图片、PDF 和批量本地 OCR 项目，在技术和工程上均可行；主要改造点集中在模型初始化、结果适配、输出生成和统计指标。只要接受 PP-OCRv6 不等价于 PaddleOCR-VL 文档解析能力这一边界，方案风险可控，且预期具有更低资源消耗和更好的通用 OCR 吞吐能力。

29 KiB Raw Blame History Unescape Escape

PP-OCRv6 可行性分析与实施方案

1. 文档目的

2. 参考项目现状

3. 模型能力差异

3.1 PaddleOCR-VL-1.6

3.2 PP-OCRv6

3.3 能力对比

4. 可行性结论

4.1 总体结论

4.2 分项可行性

4.3 推荐适用场景

5. 建设目标

6. 推荐目录结构

7. 核心架构设计

7.1 分层结构

7.2 运行时设计

7.3 统一内部结果模型

7.4 文本阅读顺序

8. 图片处理方案

8.1 处理流程

8.2 输出目录

8.3 Markdown 输出定义

8.4 Benchmark 指标

9. PDF 处理方案

9.1 复用策略

9.2 混合处理流程

9.3 PDF 模式

9.4 PDF 输出目录

9.5 断点续传兼容性

10. CLI 设计

10.1 基础命令

10.2 建议保留的参数

10.3 PP-OCRv6 新参数

10.4 应删除的 VLM 专用参数

11. CPU/GPU 环境方案

11.1 CPU

11.2 GPU

11.3 模型缓存

12. 代码复用与改造清单

12.1 可直接或小幅复用

12.2 必须重写

12.3 不建议机械复制

13. 实施步骤

阶段一：工程骨架与环境

阶段二：单图片 OCR

阶段三：目录批处理

阶段四：PDF 混合模式

阶段五：GPU、性能与文档

14. 测试方案

14.1 单元测试

14.2 集成测试

14.3 假模型测试

14.4 性能测试

15. 风险与应对

风险一：输出能力被误认为与 PaddleOCR-VL 等价

风险二：结果对象格式与参考项目不兼容

风险三：PP-OCRv6 语言支持有限

风险四：首次运行需要下载多个模型

风险五：CPU 性能受辅助模型影响

风险六：GPU 环境未实机验证

风险七：复杂 PDF 阅读顺序不准确

16. 验收标准

16.1 功能验收

16.2 质量验收

16.3 性能验收

17. 工作量预估

18. 推荐决策

29 KiB

Raw Blame History