1. Các sản phẩm
  2.   Trình phân tích cú pháp
  3.   Python
  4.   PaddleOCR
 
  

PaddleOCR: Giải pháp OCR công nghiệp cho trích xuất văn bản đa ngôn ngữ

Phát hiện và nhận dạng văn bản từ hình ảnh, tài liệu với độ chính xác và tốc độ cao.

PaddleOCR API là gì?

PaddleOCR Python API là bộ công cụ nhận dạng ký tự quang học (OCR) mạnh mẽ và dễ sử dụng, được thiết kế để giúp nhà phát triển trích xuất và phân tích văn bản từ hình ảnh với độ chính xác cao. Được xây dựng trên nền tảng học sâu PaddlePaddle, PaddleOCR hỗ trợ đa ngôn ngữ và tích hợp sẵn các mô hình cho phát hiện văn bản, nhận dạng và phân tích bố cục. Với giao diện Python trực quan, người dùng có thể dễ dàng tích hợp khả năng OCR vào ứng dụng cho số hóa tài liệu, trích xuất văn bản từ ảnh hoặc xử lý dữ liệu tự động. PaddleOCR Python API lý tưởng cho mọi nhu cầu triển khai giải pháp OCR mạnh mẽ với thiết lập tối thiểu và tính linh hoạt tối đa.

Ưu điểm nổi bật của PaddleOCR:

  • Hỗ trợ đa ngôn ngữ: Mô hình được đào tạo sẵn cho 100+ ngôn ngữ (bao gồm tiếng Trung, Anh, Ả Rập...)
  • Độ chính xác cao: Dòng mô hình PP-OCR đạt điểm benchmark hàng đầu trên bộ dữ liệu ICDAR
  • Quy trình end-to-end: Từ phát hiện văn bản đến nhận dạng và phân tích bố cục
  • Mô hình nhẹ: Tối ưu cho thiết bị di động và biên (ví dụ PP-OCRv3)

Từ tài liệu scan đến biển báo đường phố, PaddleOCR trích xuất văn bản với độ chính xác hàng đầu ngành.

GitHub

Thống kê GitHub

Tên:
Ngôn ngữ:
Ngôi sao:
Nĩa:
Giấy phép:
Kho lưu trữ được cập nhật lần cuối lúc

Tại sao chọn PaddleOCR?

  • Mã nguồn mở chất lượng: 30,000+ sao GitHub và cộng đồng phát triển tích cực
  • Triển khai linh hoạt: Hỗ trợ Python, C++ và nền tảng di động (Android/iOS)
  • Phân tích bố cục: Nhận diện vùng văn bản, bảng biểu trong tài liệu phức tạp
  • Cập nhật thường xuyên: Phát hành mô hình định kỳ (ví dụ PP-OCRv4)
  • Thân thiện thương mại: Giấy phép Apache 2.0 cho doanh nghiệp

Cài đặt

PaddleOCR yêu cầu Python 3.7+ và có thể cài đặt qua pip. Hỗ trợ GPU yêu cầu CUDA/cuDNN.

Cài đặt cơ bản


pip install paddleocr paddlepaddle  #Phiên bản CPU

Để tăng tốc GPU:

Hỗ trợ GPU


pip install paddleocr paddlepaddle-gpu  #Yêu cầu CUDA 10.2+

Lưu ý: Mô hình được đào tạo sẵn sẽ tự động tải xuống khi sử dụng lần đầu hoặc thủ công qua paddleocr --lang en.

Ví dụ mã

Khám phá khả năng của PaddleOCR qua các ví dụ sau. Tất cả đều giả định bạn đã cài đặt mô hình tiếng Anh.

PaddleOCR Python

Ví dụ 1: OCR cơ bản

Để trích xuất văn bản từ hình ảnh bằng PaddleOCR với mô hình mặc định, bạn chỉ cần khởi tạo công cụ OCR với cấu hình tiêu chuẩn bao gồm hỗ trợ tiếng Anh và phân loại góc để cải thiện độ chính xác. PaddleOCR sử dụng các mô hình phát hiện, nhận dạng và phân loại được đào tạo sẵn để xác định và diễn giải văn bản từ hình ảnh đầu vào. Sau khi xử lý hình ảnh, công cụ OCR sẽ trả về văn bản được phát hiện cùng vị trí và điểm tin cậy cho mỗi kết quả. Cách thiết lập này cung cấp phương pháp nhanh chóng và hiệu quả để trích xuất nội dung văn bản từ hình ảnh mà không cần đào tạo mô hình tùy chỉnh hay cấu hình phức tạp.

OCR hình ảnh


from paddleocr import PaddleOCR

ocr = PaddleOCR(use_angle_cls=True, lang='en')  # Khởi tạo
result = ocr.ocr('image.jpg', cls=True)  # Xử lý hình ảnh

# In văn bản nhận dạng
for line in result:
    print(line[-1][0])  # Nội dung văn bản

Kết quả bao gồm:

  • Nội dung văn bản và điểm tin cậy
  • Tọa độ khung giới hạn

Ví dụ 2: Xử lý hàng loạt

Để xử lý nhiều hình ảnh hiệu quả bằng PaddleOCR, bạn có thể tận dụng kỹ thuật xử lý hàng loạt nhằm giảm thiểu việc khởi tạo dư thừa và tối ưu hiệu suất. Thay vì khởi tạo công cụ OCR cho từng hình ảnh, nên tạo một thể hiện mô hình OCR duy nhất và tái sử dụng cho tất cả hình ảnh đầu vào. Cách tiếp cận này giảm đáng kể thời gian xử lý và tiêu thụ tài nguyên. Bằng cách đưa vào danh sách đường dẫn hình ảnh cho công cụ OCR trong vòng lặp hoặc sử dụng xử lý song song (khi phù hợp), bạn có thể nhanh chóng trích xuất văn bản từ số lượng lớn hình ảnh, lý tưởng cho quy trình làm việc liên quan đến hàng loạt tài liệu, kho lưu trữ scan hoặc phân tích hình ảnh số lượng lớn.

OCR hàng loạt


image_paths = ['doc1.jpg', 'doc2.png']
results = ocr.ocr(image_paths, batch_size=4)  # Xử lý song song

Ví dụ 3: Phân tích bố cục

PaddleOCR không chỉ dùng để nhận dạng văn bản mà còn có thể xác định các vùng văn bản cụ thể và phát hiện các yếu tố có cấu trúc như bảng trong hình ảnh. Hệ thống đầu tiên sẽ xác định vị trí các vùng văn bản thông qua mô hình phát hiện, vẽ khung giới hạn xung quanh mỗi vùng văn bản, giúp người dùng hiểu vị trí văn bản trong hình ảnh. Đối với bố cục phức tạp hơn như biểu mẫu hoặc tài liệu chứa bảng, PaddleOCR hỗ trợ phân tích bố cục và nhận dạng cấu trúc bảng. Điều này cho phép phát hiện hàng, cột và ranh giới ô, giúp trích xuất dữ liệu bảng ở định dạng có tổ chức. Khả năng này đặc biệt hữu ích cho số hóa tài liệu scan, hóa đơn hoặc bảng tính nơi kết hợp cả văn bản tự do và dữ liệu bảng.

Phát hiện bố cục


from paddleocr import PPStructure

structure_engine = PPStructure(table=False, ocr=False)
layout_result = structure_engine('document.pdf')

Tính năng nâng cao

PaddleOCR hỗ trợ các quy trình làm việc phức tạp:

  • Tùy chỉnh đào tạo: Hiệu chỉnh mô hình trên dữ liệu riêng:

    Đào tạo mô hình

    
    python tools/train.py -c configs/det/det_mv3_db.yml
  • Kết hợp đa ngôn ngữ: Xử lý tài liệu đa ngôn ngữ:

    OCR đa ngôn ngữ

    
    ocr = PaddleOCR(lang='chinese+english')
  • Hỗ trợ PDF: Trích xuất văn bản trực tiếp từ PDF:

    Xử lý PDF

    
    result = ocr.ocr('document.pdf', type='pdf')

Kết luận

PaddleOCR cung cấp giải pháp OCR sẵn sàng cho sản xuất với hỗ trợ đa ngôn ngữ vượt trội và khả năng mở rộng. Lý tưởng cho:

  • Số hóa tài liệu: PDF scan, hóa đơn, biên lai
  • Ứng dụng đa ngôn ngữ: Nhận dạng hộ chiếu, sách đa ngôn ngữ
  • Triển khai biên: Ứng dụng di động với OCR trên thiết bị

Được hỗ trợ bởi hệ sinh thái học sâu PaddlePaddle, PaddleOCR tiếp tục thiết lập tiêu chuẩn mới về độ chính xác và hiệu quả OCR.

Sản Phẩm Tương Tự

 Vietnamese