PP OCRv5 Server Rec

🚀 PP-OCRv5_server_rec

PP-OCRv5_server_rec は、PaddleOCR チームによって開発された最新世代のテキスト行認識モデル PP-OCRv5_rec の一つです。このモデルは、単一のモデルで簡体字中国語、繁体字中国語、英語、日本語の4つの主要言語の認識を効率的かつ正確にサポートし、手書き、縦書きテキスト、ピンイン、難解な文字などの複雑なテキストシーンの認識も可能です。

🚀 クイックスタート

📦 インストール

PaddlePaddleのインストール

以下のコマンドを参考に、pip を使用して PaddlePaddle をインストールしてください。

# CUDA11.8用
python -m pip install paddlepaddle-gpu==3.0.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/

# CUDA12.6用
python -m pip install paddlepaddle-gpu==3.0.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/

# CPU用
python -m pip install paddlepaddle==3.0.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

PaddlePaddle のインストールの詳細情報については、PaddlePaddle 公式サイトを参照してください。

PaddleOCRのインストール

PyPI から最新バージョンの PaddleOCR 推論パッケージをインストールします。

python -m pip install paddleocr

💻 使用例

基本的な使用法

from paddleocr import TextRecognition
model = TextRecognition(model_name="PP-OCRv5_server_rec")
output = model.predict(input="2PZfbirjfxA88695lRmgk.jpeg", batch_size=1)
for res in output:
    res.print()
    res.save_to_img(save_path="./output/")
    res.save_to_json(save_path="./output/res.json")

実行後、得られる結果は以下の通りです。

{'res': {'input_path': '/root/.paddlex/predict_input/2PZfbirjfxA88695lRmgk.jpeg', 'page_index': None, 'rec_text': 'day as a reminder of the', 'rec_score': 0.9534505009651184}}

可視化画像は以下の通りです。

コマンドとパラメータの説明の詳細情報については、ドキュメントを参照してください。

🔧 技術詳細

モデル精度指標

注意：一行内の任意の文字（句読点を含む）が誤認識された場合、その行は誤りとしてマークされます。これにより、実際のアプリケーションでより高い精度が保証されます。

モデルパイプラインの使用

単一のモデルの能力には限界がありますが、複数のモデルから構成されるパイプラインは、現実のシーンでの難題を解決するためのより強力な能力を提供することができます。

PP-OCRv5

汎用 OCR パイプラインは、画像からテキスト情報を抽出し、文字列形式で出力することで、テキスト認識タスクを解決します。パイプラインには5つのモジュールがあります。

• ドキュメント画像方向分類モジュール（オプション）
• テキスト画像歪み除去モジュール（オプション）
• テキスト行方向分類モジュール（オプション）
• テキスト検出モジュール
• テキスト認識モジュール

以下のコマンドを実行すると、OCR パイプラインをすばやく体験できます。

paddleocr ocr -i https://cdn-uploads.huggingface.co/production/uploads/681c1ecd9539bdde5ae1733c/3ul2Rq4Sk5Cn-l69D695U.png \
    --text_recognition_model_name PP-OCRv5_server_rec \
    --use_doc_orientation_classify False \
    --use_doc_unwarping False \
    --use_textline_orientation True \
    --save_path ./output \
    --device gpu:0 

結果はターミナルに表示されます。

{'res': {'input_path': '/root/.paddlex/predict_input/3ul2Rq4Sk5Cn-l69D695U.png', 'page_index': None, 'model_settings': {'use_doc_preprocessor': True, 'use_textline_orientation': True}, 'doc_preprocessor_res': {'input_path': None, 'page_index': None, 'model_settings': {'use_doc_orientation_classify': False, 'use_doc_unwarping': False}, 'angle': -1}, 'dt_polys': array([[[ 352,  105],
        ...,
        [ 352,  128]],

       ...,

       [[ 632, 1431],
        ...,
        [ 632, 1447]]], dtype=int16), 'text_det_params': {'limit_side_len': 64, 'limit_type': 'min', 'thresh': 0.3, 'max_side_limit': 4000, 'box_thresh': 0.6, 'unclip_ratio': 1.5}, 'text_type': 'general', 'textline_orientation_angles': array([0, ..., 0]), 'text_rec_score_thresh': 0.0, 'rec_texts': ['Algorithms for the Markov Entropy Decomposition', 'Andrew J. Ferris and David Poulin', 'Département de Physique, Université de Sherbrooke, Québec, JlK 2R1, Canada', '(Dated: October 31, 2018)', 'The Markov entropy decomposition (MED) is a recently-proposed, cluster-based simulation method for fi-', 'nite temperature quantum systems with arbitrary geometry. In this paper, we detail numerical algorithms for', 'performing the required steps of the MED, principally solving a minimization problem with a preconditioned', 'arXiv:1212.1442v1 [cond-mat.stat-mech] 6Dec 2012', "Newton's algorithm, as well as how to extract global susceptibilities and thermal responses. We demonstrate", 'the power of the method with the spin-1/2 XXZ model on the 2D square lattice, including the extraction of', 'critical points and details of each phase. Although the method shares some qualitative similarities with exact-', 'diagonalization, we show the MED is both more accurate and significantly more flexible.', 'PACS numbers: 05.10.−a,02.50.Ng, 03.67.−a,74.40.Kb', 'I. INTRODUCTION', 'This approximation becomes exact in the case of a 1D quan', 'tum (or classical) Markov chain [10], and leads to an expo-', 'Although the equations governing quantum many-body', 'nential reduction of cost for exact entropy calculations when', 'systems are simple to write down, finding solutions for the', 'the global density matrix is a higher-dimensional Markov net-', 'majority of systems remains incredibly difficult. Modern', 'work state [12, 13].', 'physics finds itself in need of new tools to compute the emer-', 'The second approximation used in the MED approach is', 'gent behavior of large, many-body systems.', 'related to the N-representibility problem. Given a set of lo-', 'There has been a great variety of tools developed to tackle', 'cal but overlapping reduced density matrices {pi}, it is a very', 'many-body problems, but in general, large 2D and 3D quan-', 'challenging problem to determine if there exists a global den-', 'tum systems remain hard to deal with. Most systems are', 'sity operator which is positive semi-definite and whose partial', 'thought to be non-integrable, so exact analytic solutions are', 'trace agrees with each ρi. This problem is QMA-hard (the', 'not usually expected. Direct numerical diagonalization can be', 'quantum analogue of NP) [14, 15], and is hopelessly diffi-', 'performed for relatively small systems — however the emer-', 'cult to enforce. Thus, the second approximation employed', 'gent behavior of a system in the thermodynamic limit may be', 'involves ignoring global consistency with a positive opera-', 'difficult to extract, especially in systems with large correlation', 'tor, while requiring local consistency on any overlapping re-', 'lengths. Monte Carlo approaches are technically exact (up to', 'gions between the ρi. At the zero-temperature limit, the MED', 'sampling error), but suffer from the so-called sign problem', 'approach becomes analogous to the variational nth-order re-', 'for fermionic, frustrated, or dynamical problems. Thus we are', 'duced density matrix approach, where positivity is enforced', 'limited to search for clever approximations to solve the ma-', 'on all reduced density matrices of size n [16–18].', 'jority of many-body problems.', 'The MED approach is an extremely flexible cluster method.', 'Over the past century, hundreds of such approximations', 'applicable to both translationally invariant systems of any di-', 'have been proposed, and we will mention just a few notable', 'mension in the thermodynamic limit, as well as finite systems', 'examples applicable to quantum lattice models. Mean-field', 'or systems without translational invariance (e.g. disordered', 'theory is simple and frequently arrives at the correct quali-', 'lattices, or harmonically trapped atoms in optical lattices).', 'tative description, but often fails when correlations are im-', 'The free energy given by MED is guaranteed to lower bound', 'portant. Density-matrix renormalisation group (DMRG) [1]', 'the true free energy, which in turn lower-bounds the ground', 'is efficient and extremely accurate at solving 1D problems,', 'state energy — thus providing a natural complement to varia-', 'but the computational cost grows exponentially with system', 'tional approaches which upper-bound the ground state energy.', 'size in two- or higher-dimensions [2, 3]. Related tensor-', 'The ability to provide a rigorous ground-state energy window', 'network techniques designed for 2D systems are still in their', 'is a powerful validation tool, creating a very compelling rea-', 'infancy [4–6].  Series-expansion methods [7] can be success-', 'son to use this approach.', 'ful, but may diverge or otherwise converge slowly, obscuring', 'In this paper we paper we present a pedagogical introduc-', 'the state in certain regimes. There exist a variety of cluster-', 'tion to MED, including numerical implementation issues and', 'based techniques, such as dynamical-mean-field theory [8]', 'applications to 2D quantum lattice models in the thermody-', 'and density-matrix embedding [9]', 'namiclimit.InSec.II.wegiveabriefderiyationofthe', 'Here we discuss the so-called Markov entropy decompo-', 'Markov entropy decomposition. Section III outlines a robust', 'sition (MED), recently proposed by Poulin & Hastings [10]', 'numerical strategy for optimizing the clusters that make up', '(and analogous to a slightly earlier classical algorithm [11]).', 'the decomposition. In Sec. IV we show how we can extend', 'This is a self-consistent cluster method for finite temperature', 'these algorithms to extract non-trivial information, such as', 'systems that takes advantage of an approximation of the (von', 'specific heat and susceptibilities. We present an application of', 'Neumann) entropy. In [10], it was shown that the entropy', 'the method to the spin-1/2 XXZ model on a 2D square lattice', 'per site can be rigorously upper bounded using only local in-', 'in Sec. V, describing how to characterize the phase diagram', 'formation — a local, reduced density matrix on N sites, say.', 'and determine critical points, before concluding in Sec. VI.'], 'rec_scores': array([0.99273533, ..., 0.95753616]), 'rec_polys': array([[[ 352,  105],
        ...,
        [ 352,  128]],

       ...,

       [[ 632, 1431],
        ...,
        [ 632, 1447]]], dtype=int16), 'rec_boxes': array([[ 352, ...,  128],
       ...,
       [ 632, ..., 1447]], dtype=int16)}}

save_path を指定した場合、可視化結果は save_path 以下に保存されます。可視化出力は以下の通りです。

コマンドライン方式は、すばやい体験に適しています。プロジェクトへの統合には、数行のコードで済みます。

from paddleocr import PaddleOCR  

ocr = PaddleOCR(
    text_recognition_model_name="PP-OCRv5_server_rec",
    use_doc_orientation_classify=False, # use_doc_orientation_classify を使用して、ドキュメント方向分類モデルを有効/無効にする
    use_doc_unwarping=False, # use_doc_unwarping を使用して、ドキュメント歪み除去モジュールを有効/無効にする
    use_textline_orientation=True, # use_textline_orientation を使用して、テキスト行方向分類モデルを有効/無効にする
    device="gpu:0", # device を使用して、GPU を指定してモデル推論を行う
)
result = ocr.predict("https://cdn-uploads.huggingface.co/production/uploads/681c1ecd9539bdde5ae1733c/3ul2Rq4Sk5Cn-l69D695U.png")  
for res in result:  
    res.print()  
    res.save_to_img("output")  
    res.save_to_json("output")

パイプラインで使用されるデフォルトのモデルは PP-OCRv5_server_rec ですが、パラメータ text_recognition_model_dir を使用して、ローカルのモデルファイルを使用することもできます。コマンドとパラメータの説明の詳細情報については、ドキュメントを参照してください。

PP-StructureV3

レイアウト分析は、ドキュメント画像から構造化情報を抽出する技術です。PP-StructureV3 は以下の6つのモジュールを含みます。

• レイアウト検出モジュール
• 汎用 OCR サブパイプライン
• ドキュメント画像前処理サブパイプライン（オプション）
• 表認識サブパイプライン（オプション）
• 印章認識サブパイプライン（オプション）
• 数式認識サブパイプライン（オプション）

以下のコマンドを実行すると、PP-StructureV3 パイプラインをすばやく体験できます。

paddleocr pp_structurev3 -i https://cdn-uploads.huggingface.co/production/uploads/681c1ecd9539bdde5ae1733c/mG4tnwfrvECoFMu-S9mxo.png \
    --text_recognition_model_name PP-OCRv5_server_rec \
    --use_doc_orientation_classify False \
    --use_doc_unwarping False \
    --use_textline_orientation False \
    --device gpu:0

結果はターミナルに表示されます。

save_path を指定した場合、可視化結果は save_path 以下に保存されます。可視化出力は以下の通りです。

数行のコードでパイプラインの推論を体験できます。PP-StructureV3 パイプラインを例に挙げます。

from paddleocr import PPStructureV3

pipeline = PPStructureV3(
    text_recognition_model_name="PP-OCRv5_server_rec",
    use_doc_orientation_classify=False, # use_doc_orientation_classify を使用して、ドキュメント方向分類モデルを有効/無効にする
    use_doc_unwarping=False,    # use_doc_unwarping を使用して、ドキュメント歪み除去モジュールを有効/無効にする
    use_textline_orientation=False, # use_textline_orientation を使用して、テキスト行方向分類モデルを有効/無効にする
    device="gpu:0", # device を使用して、GPU を指定してモデル推論を行う
    )
output = pipeline.predict("./pp_structure_v3_demo.png")
for res in output:
    res.print() # 構造化予測出力を印刷する
    res.save_to_json(save_path="output") ## 現在の画像の構造化結果を JSON 形式で保存する
    res.save_to_markdown(save_path="output") ## 現在の画像の結果を Markdown 形式で保存する

パイプラインで使用されるデフォルトのモデルは PP-OCRv5_server_rec ですが、パラメータ text_recognition_model_dir を使用して、ローカルのモデルファイルを使用することもできます。コマンドとパラメータの説明の詳細情報については、ドキュメントを参照してください。

📚 ドキュメント

• PaddleOCR リポジトリ
• PaddleOCR ドキュメント

📄 ライセンス

本プロジェクトは、Apache-2.0 ライセンスを採用しています。