PP-OCRv6 是 PP-OCR 最新一代通用文字识别解决方案。PP-OCRv6 基于全新设计的 PPLCNetV4 统一骨干网络，提供 tiny、small、medium 三档模型，分别面向端侧/IoT、移动端/桌面端、服务端场景。PP-OCRv6 在语言覆盖方面实现重大突破，medium/small 档单一模型统一支持简体中文、繁体中文、英文、日文及 46 种拉丁语系语言共 50 种语言（tiny 档支持 49 种，不含日文）。在内部多场景综合评估集上，PP-OCRv6_medium 相比 PP-OCRv5_server 识别精度提升 5.1%、检测精度提升 4.6%，同时 GPU 推理速度提升 2.37×；以仅 34.5M 参数的规模，精度超越 Qwen3-VL-235B、GPT-5.5 等大型视觉语言模型。

PP-OCRv6 的主要贡献如下：

1. 统一可扩展的模型族：提供覆盖 1.5M 至 34.5M 参数的三档完整 OCR 模型族。medium 档达到 86.2% 检测 Hmean 和 83.2% 识别准确率，可作为工业部署和大规模数据管线的高效生产级基础设施。
2. 面向 OCR 的轻量级架构创新：提出一系列专为 OCR 任务定制的轻量级架构组件——(i) LCNetV4：集成结构重参数化的 MetaFormer 风格轻量骨干；(ii) RepLKFPN：利用膨胀可重参数化深度卷积实现大感受野的检测颈部；(iii) EncoderWithLightSVTR：基于局部-全局注意力和加性跳跃连接的识别颈部。
3. 广泛的多语言与多场景泛化：单一模型扩展至支持 50 种语言和多种挑战性工业场景（如数码显示屏、点阵字符、轮胎印字等），显著提升了传统通用视觉语言模型难以覆盖的专业场景 OCR 性能。

图：PP-OCRv6 与 PP-OCRv5 及视觉语言模型的性能对比。左：文本检测平均 Hmean（%）；右：文本识别加权平均准确率（%）。

二、核心技术升级

1. 统一骨干网络 PPLCNetV4

PP-OCRv6 采用全新设计的 PPLCNetV4 作为检测和识别的统一骨干网络，核心创新包括：

LCNetV4Block：遵循 MetaFormer 范式，将每层解耦为 Token Mixer 和 Channel Mixer。设输入特征 $\mathbf{x} \in \mathbb{R}^{C \times H \times W}$，Block 计算如下：

$\hat{\mathbf{x}} = \text{SE}(\text{DW}(\mathbf{x})) + \mathbf{x}$

$\mathbf{y} = W_2\,\sigma(W_1\,\hat{\mathbf{x}}) + \hat{\mathbf{x}}$

其中 $\text{DW}(\cdot)$ 是 3×3 深度卷积（Token Mixer），SE 是可选的通道注意力模块，$W_1 \in \mathbb{R}^{2C \times C}$、$W_2 \in \mathbb{R}^{C \times 2C}$ 构成扩展比为 2 的 Channel Mixer，$\sigma$ 为 GELU 激活。

Task-Adaptive Downsampling：同一骨干通过不同下采样策略服务两个任务——检测模式使用标准 stride-2 空间下采样产出多尺度特征图（stride 4/8/16/32）；识别模式在 Stage 3/4 使用非对称 stride $(2,1)$，仅缩减高度保留宽度，经 height-axis 平均池化后产出 1-D 序列特征用于 CTC/NRTR 解码。

与 LCNetV3 对比：

设计维度	LCNetV3	LCNetV4
架构范式	MobileNet-style (DW→SE→PW)	MetaFormer (TokenMixer + ChannelMixer)
通道交互	单个 1×1 PW Conv	Expand(2×)→Act→Compress + 残差
空间混合	普通 DW Conv	RepDWConv（3×3 + 1×1 + identity 三分支）
BN 初始化	标准	Compress 层 BN 零初始化

图：PPLCNetV4 骨干网络结构

2. 检测模块升级

• RepLKFPN：轻量级大核特征金字塔，使用 DilatedReparamBlock（7×7 深度卷积 + 膨胀分支），相比 PP-OCRv5 的 RSEFPN 参数减少 31%（118K vs 172K），同时感受野从 3×3 扩大到 7×7。
• 辅助深度监督：在 P2、P3、P4 层级添加预测头，训练时提供更强梯度信号。
• DiceBCE Loss：组合 DiceLoss + Focal Loss，对小目标和密集文本提供更好的逐像素监督。

图：PP-OCRv6 检测模块结构

3. 识别模块升级

• EncoderWithLightSVTR 颈部：局部上下文建模（1×7 深度卷积）+ 全局自注意力（1-2 层 Transformer），通过加性跳跃连接（而非 PP-OCRv5 的拼接）减少参数。
• 多头解码器：CTCHead 用于高效并行推理，NRTRHead 用于训练时辅助监督（推理时移除）。
• Tiny 模型特殊设计：无颈部（直接 reshape + FC），使用 medium 模型蒸馏训练。
• 多语言统一：字典扩展约 200 个带变音符号字符，实现单模型 48 语言覆盖。

图：PP-OCRv6 识别模块结构

三、关键指标

1. 文本检测指标

在内部多场景基准上对 16 类场景进行文本检测 Hmean(%) 评测：

模型	AVG	手写CN	手写EN	印刷CN	印刷EN	繁体	古籍	日文	模糊	表情	扭曲	拼音	艺术字	表格	旋转	工业	通用
PP-OCRv6_medium	86.2	83.7	84.0	95.1	93.7	86.3	80.2	84.3	94.1	99.6	88.6	74.0	69.0	96.8	93.8	73.3	82.8
PP-OCRv6_small	84.1	80.5	87.1	94.2	93.6	85.7	72.6	82.3	92.6	99.7	87.6	69.6	65.3	95.6	93.7	67.6	78.2
PP-OCRv6_tiny	80.6	79.4	85.9	93.1	92.3	83.7	63.0	76.6	89.3	99.8	86.1	59.0	60.1	94.7	91.0	62.0	73.8
PP-OCRv5_server	81.6	80.3	84.1	94.5	91.7	81.5	67.6	77.2	90.1	96.2	87.6	67.1	67.3	97.1	80.0	64.3	79.7
PP-OCRv5_mobile	75.2	74.4	77.7	90.5	91.0	82.3	58.1	72.7	87.4	93.6	82.7	57.5	52.5	92.8	64.7	52.8	72.1
Gemini-3.1-Pro	46.8	53.4	56.5	47.3	47.6	39.0	45.8	38.2	50.0	68.1	44.6	40.6	65.2	26.9	22.1	52.5	50.2
GPT-5.5	45.6	42.4	58.5	50.2	51.9	35.0	26.7	42.0	49.1	97.5	37.7	36.3	52.0	71.0	10.0	36.2	32.6
Qwen3-VL-235B	38.3	56.5	66.0	41.7	37.0	19.3	13.1	27.0	38.5	81.2	28.5	33.0	68.3	19.6	2.1	48.4	32.3

PP-OCRv6_medium 平均 Hmean 达 86.2%，相比 PP-OCRv5_server 提升 4.6 个百分点，在日文、古籍、旋转文本、工业字符等场景提升尤为显著。

2. 文本识别指标

在内部多场景基准上对 15 类场景进行文本识别准确率(%) 评测：

模型	W-Avg	手写CN	手写EN	印刷CN	印刷EN	繁体	古籍	日文	易混淆	特殊字符	通用	拼音	艺术字	工业	屏幕	卡片
PP-OCRv6_medium	83.2	62.1	67.8	91.5	94.1	78.6	72.4	90.5	64.9	61.7	87.5	78.1	71.2	77.4	82.5	88.1
PP-OCRv6_small	81.3	57.6	61.1	90.5	93.3	77.0	71.1	88.2	64.1	60.2	85.7	75.9	68.4	76.4	79.7	86.9
PP-OCRv6_tiny	73.5	40.1	39.3	86.7	88.4	65.0	68.4	89.8	52.3	57.1	78.0	65.4	54.7	62.1	71.2	80.5
PP-OCRv5_server	78.1	58.0	59.6	90.1	85.1	74.7	60.4	73.7	59.4	56.8	86.5	74.4	64.0	70.2	68.1	87.6
PP-OCRv5_mobile	73.7	41.7	50.9	86.0	86.0	72.0	57.8	75.8	55.7	54.8	80.7	72.5	54.0	59.3	57.6	81.7
Qwen3-VL-235B	74.9	49.7	73.2	82.3	86.2	76.4	33.6	66.2	56.1	49.0	82.5	76.5	69.6	74.7	73.8	78.7
Gemini-3.1-Pro	71.4	46.4	73.0	80.0	90.5	69.5	18.0	67.2	54.4	50.3	74.6	75.9	63.1	69.1	73.2	75.9
GPT-5.5	64.2	19.2	56.9	75.7	82.2	57.5	63.7	58.6	49.1	48.3	67.7	50.4	53.0	62.4	67.7	71.1

PP-OCRv6_medium 加权平均准确率 83.2%，相比 PP-OCRv5_server 提升 5.1%，在日文(+16.8%)、古籍(+12.0%)、屏幕显示(+14.4%) 等类别提升显著。即使是仅 1.1M 参数的 PP-OCRv6_tiny，也超越了 4/5 的 VLM 模型。

4. 端到端推理速度（s/image）

在 200 张图像（通用场景 + 文档场景）上测试端到端 OCR 产线速度，包含读图、前后处理、模型推理全流程。

硬件	推理后端	PP-OCRv6_medium	PP-OCRv6_small	PP-OCRv6_tiny	PP-OCRv5_server	PP-OCRv5_mobile	PP-OCRv4_mobile
NVIDIA A100	PaddlePaddle	0.29	0.25	0.13	0.32	0.25	0.14
NVIDIA A100	TensorRT	--	0.32	0.16	--	0.33	0.16
NVIDIA V100	PaddlePaddle	0.72	0.49	0.21	0.66	0.50	0.25
NVIDIA V100	ONNX Runtime	0.67	0.53	0.29	0.77	0.46	0.27
NVIDIA V100	TensorRT	0.77	0.60	0.23	0.73	0.59	0.27
Intel Xeon 8350C	PaddlePaddle	2.05	0.79	0.32	2.04	0.80	0.62
Intel Xeon 8350C	OpenVINO	1.40	0.59	0.20	7.30	0.78	0.60
Intel Xeon 8350C	ONNX Runtime	3.31	0.61	0.22	6.36	0.61	0.49
Apple M4	PaddlePaddle	8.82	3.07	0.96	>10	5.82	5.65
Apple M4	ONNX Runtime	5.55	1.29	0.35	7.20	1.10	1.02

• PP-OCRv6_medium 在所有平台上均匹配或优于 PP-OCRv5_server：A100 上快 1.1×（0.29s vs 0.32s），V100 ONNX Runtime 快 1.15×（0.67s vs 0.77s），Intel Xeon OpenVINO 快 5.2×（1.40s vs 7.30s）。
• PP-OCRv6_small 在大多数平台上与 PP-OCRv5_mobile 速度持平但精度更高；Apple M4 PaddlePaddle 快 1.9×（3.07s vs 5.82s）。
• PP-OCRv6_tiny 是所有平台上最快的模型，Apple M4 PaddlePaddle 快 6.1×（0.96s vs 5.82s），Intel Xeon OpenVINO 快 3.9×（0.20s vs 0.78s），A100 上仅需 0.13s。

四、语言支持

PP-OCRv6 medium/small 档支持以下 50 种语言：

核心语言：简体中文、繁体中文、英文、日文

拉丁语系（46种）：法文、德文、意大利文、西班牙文、葡萄牙文、荷兰文、波兰文、罗马尼亚文、捷克文、瑞典文、挪威文、丹麦文、芬兰文、匈牙利文、土耳其文、越南文、印尼文、马来文、阿塞拜疆文、南非荷兰文、波斯尼亚文、克罗地亚文、威尔士文、爱沙尼亚文、爱尔兰文、冰岛文、库尔德文、立陶宛文、拉脱维亚文、马耳他文、毛利文、奥克文、斯洛伐克文、斯洛文尼亚文、阿尔巴尼亚文、斯瓦希里文、他加禄文、乌兹别克文、拉丁文、塞尔维亚文(拉丁)、加泰罗尼亚文、巴斯克文、加利西亚文、卢森堡文、罗曼什文、克丘亚文

PP-OCRv6_tiny 档支持 49 种语言（不含日文，以避免约 4000 个汉字/假名字符对 1.1M 参数输出层的影响）。

五、效果可视化

1. 检测效果对比

图：文本检测效果对比。从左到右：PP-OCRv6_medium、PP-OCRv5_server、Gemini-3.1-Pro、GPT-5.5。

2. 幻觉对比

图：PP-OCRv6_medium 与 VLM 的幻觉对比。PP-OCRv6 忠实还原图像中的文字内容，而 VLM 基于语言先验进行"纠正"，引入了图像中不存在的幻觉。

3. 端到端 OCR 效果对比

图：PP-OCRv6_medium 与 PP-OCRv5_server 端到端 OCR 效果对比，涵盖中文、英文、日文、艺术字、工业字符、旋转文本、拼音、点阵字符等场景。

六、快速使用

from paddleocr import PaddleOCR

# 默认使用 PP-OCRv6_medium
ocr = PaddleOCR(
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False,
)
result = ocr.predict("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png")

for res in result:
    res.print()
    res.save_to_img("output")
    res.save_to_json("output")

# 命令行使用
paddleocr ocr -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png \
    --use_doc_orientation_classify False \
    --use_doc_unwarping False \
    --use_textline_orientation False

使用 Transformers 引擎推理：

PP-OCRv6 支持通过 Hugging Face Transformers 引擎进行推理（需安装 transformers>=5.8.0）：

from paddleocr import TextRecognition

model = TextRecognition(
    model_name="PP-OCRv6_medium_rec",
    engine="transformers",
)
output = model.predict(input="general_ocr_rec_001.png", batch_size=1)
for res in output:
    res.print()

# 命令行方式
paddleocr text_recognition -i general_ocr_rec_001.png \
    --text_recognition_model_name PP-OCRv6_medium_rec \
    --engine transformers

使用高性能推理（ONNX Runtime 后端）：

通过 enable_hpi=True 启用高性能推理插件，底层会自动使用 ONNX Runtime 加速：

from paddleocr import PaddleOCR

ocr = PaddleOCR(
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False,
    enable_hpi=True,
)
result = ocr.predict("general_ocr_002.png")

# 命令行方式
paddleocr ocr -i general_ocr_002.png \
    --use_doc_orientation_classify False \
    --use_doc_unwarping False \
    --use_textline_orientation False \
    --enable_hpi True

高性能推理插件需额外安装，详见高性能推理指南。

七、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：支持英伟达 GPU、Intel CPU、昆仑芯、昇腾等硬件推理和部署。
• 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，详见文本检测模块使用教程及文本识别模块使用教程。