PDF识别提取专家

PP-OCRv6 完整指南#

来源: pdf-ocr-md v3.3.0 SKILL.md F 节 | 更新: 2026-07-30（补充官方版 v3.7.0 + 社区项目新功能）

概述#

PaddleOCR 最新 v6 模型家族（官方 v3.7.0, 2026-06-11），使用 ONNX Runtime + DirectML/CoreML 本地推理。 三档可选：Tiny (1.5MB) / Small (7.7MB) / Medium (34.5MB)。

新特性（vs v3.3.0 知识库）：

• 🔥 统一 50 语言模型：中文/英文/日文 + 46 种拉丁语言，无需切换模型
• 🔥 Apple Silicon CoreML 加速：M 系列芯片自动启用（安装 onnxruntime-silicon）
• 🔥 浏览器端运行：Tiny 模型通过 ONNX Runtime Web 零依赖运行
• 🔥 Web 工作台：FastAPI + 单页 UI，拖拽上传、批量处理、结果导出(CSV/Markdown/Excel)

模型来源#

来源	链接	用途
PaddleOCR 官方	https://github.com/PaddlePaddle/PaddleOCR	模型研发、论文、v3.7.0 API
HuggingFace	https://huggingface.co/collections/PaddlePaddle/pp-ocrv6	模型下载
ModelScope	https://www.modelscope.cn/collections/PaddlePaddle/PP-OCRv6	模型下载（国内镜像）
ppocrv6-studio	https://github.com/andyhuo520/ppocrv6-studio	本地工作台、Web UI、CoreML 加速

安装#

# 创建虚拟环境并安装

python3 -m venv ~/.venvs/ppocrv6

~/.venvs/ppocrv6/bin/pip install onnxruntime opencv-python-headless numpy Pillow pdf2image



# macOS Apple Silicon 用户：替换为标准 onnxruntime

~/.venvs/ppocrv6/bin/pip install onnxruntime-silicon



# 下载模型（从 ppocrv6-studio GitHub Releases）

bash scripts/download_models.sh all

# 或只下载指定档位: tiny / small / medium

CLI 命令#

# Tiny 模型（极速，1.5MB，可浏览器运行）

python scripts/pdf_ocr_v6.py input.jpg --tier tiny -o output.txt



# Small 模型（均衡，7.7MB）

python scripts/pdf_ocr_v6.py input.jpg --tier small -o output.txt



# Medium 模型（高精度，34.5MB）

python scripts/pdf_ocr_v6.py input.pdf --tier medium -o ./output



# 指定最低置信度

python scripts/pdf_ocr_v6.py input.jpg --tier medium --min-conf 0.6 -o output.txt

输出#

output/
├── input.txt      ← 纯文本（每页分段）
└── input.json     ← 完整结果（含置信度、文本框坐标）

模型档位对比#

档位	参数量	模型大小	适用场景
Tiny	极轻量	1.5 MB	快速预览、浏览器端运行、批量处理
Small	轻量	7.7 MB	日常使用，性能均衡
Medium	标准	34.5 MB	高精度场景（合同/发票/复杂文档）

性能参考#

平台	Tiny	Small	Medium
Apple M4 (CoreML)	~3s	~8s	~15s
Intel CPU (OpenVINO, 5.2x)	~6s	~15s	~30s
Intel CPU (标准)	~8s	~15s	~30s
浏览器 (WASM)	~12s	—	—

官方数据：medium 模型在 A100 GPU 上仅需 0.13 秒。

文档类型建议#

文档类型	推荐档位	理由
平整扫描件	Tiny 或 Small	速度优先
手机拍照件	Small	平衡速度与准确率
复杂文档/小字	Medium	精度优先
点阵字体/轮胎压印	Medium	边缘场景需最高精度
多语言文档	Medium	统一 50 语言模型需要 medium 档位
批量处理	Tiny	优先速度

Web 工作台（新增）#

ppocrv6-studio 提供 FastAPI Web 工作台，适合交互式 OCR：

# 启动 Web 工作台（端口 8765）

python webapp/server.py

功能：拖拽上传、批量处理、剪贴板粘贴、历史记录网格、结果导出(CSV/Markdown/Excel)、模型档位切换、CoreML 开关。

浏览器 Demo（新增）#

Tiny 模型可完全在浏览器内运行，无需服务器：

• ppocrv6_browser.html — 通过 ONNX Runtime Web 加载，零依赖

迁移说明#

PP-OCRv6 是比 PP-OCRv4 更轻量、效果更好的新一代模型。 默认 GPU 加速（DirectML / CoreML），CPU 5-6x 提速。无 GPU 时自动回退 CPU。 官方 v3.7.0 (2026-06-11) 发布，旧版 PaddleOCR（PP-OCRv4）管线保留为备选。 准确率参考：OmniDocBench 文本块编辑距离 Medium 0.425 / Small 0.443 / Tiny 0.446（越低越好）。