PaddleOCR 3.5 升级：用 Transformers 重构文档解析

engine="transformers"

PaddleOCR 继续提供 OCR 模型系列（如 PP-OCRv5）和文档解析模型系列（如 PaddleOCR-VL 1.5），而 Transformers 成为运行它们的支持后端之一。

在 Hugging Face Spaces 试用实时演示：https://huggingface.co/spaces/PaddlePaddle/paddleocr-3.5-transformers-demo

PaddleOCR 3.5 引入了更灵活的推理引擎接口。开发者可以通过 engine 参数选择后端，并通过 engine_config 传递后端特定的选项。

实际上，这意味着：

• PaddleOCR 管理这些任务背后的流水线，因此开发者无需手动调用每个内部组件。

• Transformers 成为运行受支持 PaddleOCR 模型的支持推理后端之一。

• 开发者可以通过 engine_config 配置后端相关选项，如 dtype、设备放置和注意力实现。

理解堆栈的简单方式

此版本主要涉及推理后端层：PaddleOCR 继续提供 OCR 和文档解析功能，而 Transformers 为受支持的 PaddleOCR 模型提供另一个自然适配 Hugging Face 中心环境的后端选项。更大的 Document AI 工作流仍掌握在开发者和应用构建者手中。

为什么这很重要

对于 RAG、Document AI 和文档 agent 应用，困难通常在 LLM 之前开始。

开发者首先需要将 PDF、扫描文档、截图、表格、图表、公式和复杂页面布局转换为可靠的结构化数据。如果这个摄取步骤不够有力，下游 LLM 工作流可能会遗漏关键信息、检索错误的上下文或产生不可靠的答案。

PaddleOCR 通过提供 OCR 系列模型（如 PP-OCRv5）和文档解析系列模型（如 PaddleOCR-VL-1.5）来帮助解决这一文档摄取挑战。

通过 PaddleOCR 3.5，这些功能现在更容易与 Transformers 中心堆栈连接。受支持的 PaddleOCR 模型可以使用 Transformers 后端运行，而 PaddleOCR 继续在幕后管理 OCR 或文档解析流水线。

对于开发者，这意味着减少了集成摩擦，提供了从文档到下游 RAG、agent、搜索、分析或自动化工作流的更自然的路径。

快速开始

安装 PaddleOCR 3.5、PaddleX、Transformers 和与你硬件兼容的 PyTorch 构建。

例如，在 CUDA 12.6 环境中：

python -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
python -m pip install "paddleocr==3.5.0" "paddlex==3.5.2" "transformers>=5.4.0"

对于 CPU、ROCm 或其他环境，请安装与你目标硬件匹配的 PyTorch 构建。

从命令行运行：

paddleocr ocr \
  -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png \
  --device gpu:0 \
  --engine transformers

或使用 Python API：

from paddleocr import PaddleOCR

pipeline = PaddleOCR(
    device="gpu:0",
    engine="transformers",
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False,
    engine_config={
        "dtype": "float32",
    },
)

results = pipeline.predict(
    "https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png"
)

for result in results:
    print(result)

调整后端配置

Hugging Face Space 使用 float32 以获得广泛的兼容性。对于你自己的硬件，可以通过 engine_config 调整后端特定的选项：

engine_config = {
    "dtype": "bfloat16",
    "device_type": "gpu",
    "device_id": 0,
    "attn_implementation": "sdpa",
}

最佳配置取决于你的模型、硬件和部署环境。

何时使用 Transformers 后端

当你希望 PaddleOCR 的 OCR 和文档解析功能更自然地适配 Hugging Face 中心堆栈时，使用 Transformers 后端。

如果你正在构建 RAG、Document AI、搜索、分析或 agent 应用，并且已经依赖 PyTorch / Transformers 基础设施进行模型加载、实验、部署或模型工件管理，这尤其有用。

Transformers 后端在以下情况是好的选择：

• 为已经使用 Transformers 的团队提供更熟悉的开发体验，

• 为受支持的 PaddleOCR 模型提供 Hub 兼容的模型发现和分发，

• 与现有 PyTorch / Transformers 服务的更轻松集成。

当最大化 OCR 或文档解析吞吐量是首要任务时，PaddleOCR 的默认 paddle_static 后端通常是推荐的选择。

此版本不是关于用一个后端替换另一个。而是给开发者更多灵活性：使用 PaddleOCR 获得 OCR 和文档解析功能，并选择最适合你堆栈的推理后端。

尝试和探索

在 Hugging Face Spaces 试用 PaddleOCR 3.5 Transformers 演示：

https://huggingface.co/spaces/PaddlePaddle/paddleocr-3.5-transformers-demo

在 Hub 上探索 PaddleOCR 模型：

https://huggingface.co/PaddlePaddle/models

总结

PaddleOCR 3.5 将 OCR 和文档解析功能更接近 Transformers 中心工作流，同时给开发者自由构建周围更大的 Document AI 应用。

PaddleOCR 文档：https://www.paddleocr.ai/

PaddleOCR GitHub：https://github.com/PaddlePaddle/PaddleOCR

PaddlePaddle 在 Hugging Face 的组织：https://huggingface.co/PaddlePaddle

PaddleOCR 3.5 Transformers 演示（Spaces）：https://huggingface.co/spaces/PaddlePaddle/paddleocr-3.5-transformers-demo

致谢

我们衷心感谢支持 PaddleOCR 3.5 Transformers 集成的 Hugging Face 工程师。

特别感谢 Anton Vlasjuk 的端到端参与，包括审查和合并所有相关的拉取请求。

我们也感谢 Raushan Turganbay 和 Yoni Gozlan 的宝贵 PR 审查和反馈。

他们的指导帮助改进了 Hugging Face 社区的集成质量、文档和开发者体验。

本文提到的 Spaces：1

更多来自此作者的内容

Hugging Face 上的 PP-OCRv6：从 1.5M 到 34.5M 参数的 50 语言 OCR

喜欢这篇文章和支持。

注册或登录以评论