PP-OCRv5 服务化部署调用示例及 API 介绍：

PaddleOCR 开源项目 GitHub 地址，本服务基于该开源项目的 PP-OCRv5 模型构建。

版本说明：PaddleOCR 官网当前对应的 PaddleX 版本为 3.3.12，PaddlePaddle 版本为 3.2.1。

1. PP-OCRv5 介绍

OCR（光学字符识别，Optical Character Recognition）是一项将图片中的文字内容转换为可编辑文本的技术，广泛应用于文档数字化、信息提取、数据处理等场景。OCR 能够识别印刷体、手写体等多种类型的文本，帮助用户高效获取图像中的关键信息。

PP-OCRv5 是 PP-OCR 系列最新一代的文字识别解决方案，专为多场景、多文字类型的识别任务设计。相比前代版本，PP-OCRv5 在文字类型支持和应用场景适应性方面实现了全面升级。该方案不仅能够返回文本行的坐标信息，还可输出对应文本内容及其置信度，有效提升了文字检测与识别的准确性和实用性，该方案具有如下特点：

• 支持五大主流文字类型：简体中文、中文拼音、繁体中文、英文、日文。
• 具备强大的多场景适应能力：包括中英复杂手写体、竖排文本、生僻字等多种挑战性场景。
• 在内部多场景复杂评估集上，PP-OCRv5 相比上一代 PP-OCRv4 端到端识别精度提升了 13 个百分点。

PP-OCRv5 产线整体流程如下图所示：

2. API 配额规则及错误码说明

请查看文档

3. 服务调用示例（python）

# Please make sure the requests library is installed
# pip install requests
import os
import base64
import requests


# API_URL 及 TOKEN 请访问 https://aistudio.baidu.com/paddleocr/task，在 API 调用示例中获取。
API_URL = "<your url>"
TOKEN = "<access token>"

file_path = "<local file path>"
input_filename = os.path.splitext(os.path.basename(file_path))[0]

with open(file_path, "rb") as file:
    file_bytes = file.read()
    file_data = base64.b64encode(file_bytes).decode("ascii")

headers = {
    "Authorization": f"token {TOKEN}",
    "Content-Type": "application/json"
}

required_payload = {
    "file": file_data,
    "fileType": <file type>,  # For PDF documents, set `fileType` to 0; for images, set `fileType` to 1
}

optional_payload = {
    "useDocOrientationClassify": False,
    "useDocUnwarping": False,
    "useTextlineOrientation": False,
}

payload = {**required_payload, **optional_payload}

response = requests.post(API_URL, json=payload, headers=headers)

assert response.status_code == 200
result = response.json()["result"]

os.makedirs("output", exist_ok=True)

for i, res in enumerate(result["ocrResults"]):
    print(res["prunedResult"])
    image_url = res["ocrImage"]
    img_response = requests.get(image_url)
    if img_response.status_code == 200:
        # Save image to local
        filename = f"output/{input_filename}_{i}.jpg"
        with open(filename, "wb") as f:
            f.write(img_response.content)
        print(f"Image saved to: {filename}")
    else:
        print(f"Failed to download image, status code: {img_response.status_code}")

对于服务提供的主要操作：

• HTTP请求方法为POST。
• 请求体和响应体均为JSON数据（JSON对象）。
• 当请求处理成功时，响应状态码为200，响应体的属性如下：

• 当请求处理未成功时，响应体的属性如下：

服务提供的主要操作如下：

• infer

获取图像OCR结果。

POST /ocr

4. 请求参数说明

Serving:
  extra:
    max_num_input_imgs: null

Serving:
  visualize: False

• 请求处理成功时，响应体的result具有如下属性：

ocrResults中的每个元素为一个object，具有如下属性：

对于返回的数据结构及字段说明，请查阅文档。

注：如果在使用过程中遇到问题，欢迎随时在 issue 区提交反馈。

PP-OCRv6 服务化部署调用示例及 API 介绍：

PaddleOCR 开源项目 GitHub 地址，本服务基于该开源项目的 PP-OCRv6 模型构建。

版本说明：PaddleOCR 官网当前对应的 PaddleX 版本为 3.7.0，PaddlePaddle 版本为 3.2.1。

1. PP-OCRv6 介绍

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（%）。