IT 之家 9 月 13 日消息，百度於 9 月 10 日在 Hugging Face 發布新一代文字識別解決方案 PP-OCRv5。

百度介紹稱，PP-OCRv5 是一個為緩解大型視覺語言模型（VLMs）侷限性而設計的專用 OCR 模型，它提供了一種高效、準確且輕量級的解決方案。

PP-OCRv5 通過保持模塊化、兩階段的流程，專門針對高速、精確的文本檢測和識別，解決了大型 VLMs 的精確文本定位和邊界框精度侷限性問題。

PP-OCRv5 的亮點如下：

效率：該模型參數量僅為 0.07B，能夠在 CPU 和邊緣設備上實現更高性能，其移動版本在英特爾 Xeon Gold 6271C CPU 上每秒可處理超過 370 個字符。

性能：PP-OCRv5 在 OCR 特定基準測試中優於通用型 VLM 模型，如 Gemini 2.5 Pro、Qwen2.5-VL 和 GPT-4o，包括手寫和印刷的中英文以及拼音文本。

定位：PP-OCRv5 旨在提供精確的文本行邊界框座標，這對於結構化數據提取和內容分析是關鍵要求。

多語言支持：該模型支持五種文字類型 —— 簡體中文、繁體中文、英文、日文和拼音，並能識別超過 40 種語言。

PP-OCRv5 由四個核心組件構成：

圖像預處理：處理圖像的旋轉和畸變，以標準化輸入。

文本檢測：識別圖像中文本行的精確位置。

文本行方向：分類檢測到的文本方向，以確保其正確對齊以進行識別。

文本識別：將每行文本中的字符解碼為文本字符串。