tags:
- ocr
- image-to-text
license: mit
library_name: transformers
Model Card: PHOCR
高性能文字识别工具包 PHOCR.
PHOCR：
PHOCR 是一个高性能的开源光学字符识别（OCR）工具包，专为多语种文本识别任务设计，支持包括中文、日文、韩文、俄文、越南文和泰文在内的多种语言。PHOCR 搭载了我们完全自研的识别模型 PH-OCRv1，在准确率上显著优于现有解决方案。
背景动机
当前基于下一个 token 预测的模型结构对上下文 token 的准确性非常敏感。即使仅有千次重复的模式，也可能导致模型产生永久性记忆。虽然大多数开源文字识别模型目前的字符错误率（CER）仍处于百分位水平，我们的目标是将其进一步提升至千分位（0.x%）。在这一精度下，对于处理 1 亿字符的系统，总错误字符数将下降至100万内，达到数量级的准确率提升。
主要特性
- 自研识别模型：PH-OCRv1，可在文档场景中实现千分位CER，英文场景下甚至可达0.0x%。
- 多语种支持：支持中文、英文、日文、韩文、俄文等多种语言。
- 丰富词表覆盖：中文 15316，韩文 17388，日文 11186，俄文 292。
- 高性能推理：深度优化的模型结构，集成 ONNX Runtime 支持。
- 轻松集成：提供简洁的 Python API。
- 跨平台：支持 CPU 与 CUDA 环境。
可视化效果
安装方式
# 请选择以下 **一种** 安装方式：
# 方法一：安装带 ONNX Runtime CPU 版本
pip install phocr[cpu]
# 方法二：安装带 ONNX Runtime GPU 版本
pip install phocr[cuda]
# 必须：确保已正确安装 CUDA Toolkit 和 cuDNN 库
# 你可以通过 conda 安装 cuda-runtime和cuDNN：
conda install -c nvidia cuda-runtime=12.1 cudnn=9
# 或者手动安装对应版本的 CUDA Toolkit 和 cuDNN 库
# 方法三：手动管理 ONNX Runtime
# 你可以自行安装 `onnxruntime` 或 `onnxruntime-gpu`，然后再安装 PHOCR
pip install phocr
快速开始
from phocr import PHOCR
# 初始化 OCR 引擎
engine = PHOCR()
# 对图像进行 OCR 识别
result = engine("path/to/image.jpg")
print(result)
# 可视化结果
result.vis("output.jpg")
print(result.to_markdown())
性能基准测试
我们进行了全面的基准测试，将 PHOCR 与领先的 OCR 解决方案在多种语言和场景下进行比较。我们自研的 PH-OCRv1 模型在现有解决方案基础上实现了显著改进。
整体性能对比
| 模型 | 中文 & 英文 CER ↓ |
日文 CER ↓ |
韩文 CER ↓ |
俄文 CER ↓ |
|||||
|---|---|---|---|---|---|---|---|---|---|
| 英文 | 简体中文 | 中英混合 | 繁体中文 | 文档 | 场景 | 文档 | 场景 | 文档 | |
| PHOCR | 0.0008 | 0.0057 | 0.0171 | 0.0145 | 0.0039 | 0.0197 | 0.0050 | 0.0255 | 0.0046 |
| 百度 | 0.0014 | 0.0069 | 0.0354 | 0.0431 | 0.0222 | 0.0607 | 0.0238 | 0.212 | 0.0786 |
| 阿里 | - | - | - | - | 0.0272 | 0.0564 | 0.0159 | 0.102 | 0.0616 |
| PPOCR V5 | 0.011 | 0.060 | 0.032 | 0.061 | - | - | - | - | - |
| PP-OCRv5 | 0.0149 | 0.0226 | 0.0722 | 0.0625 | 0.0490 | 0.1140 | 0.0113 | 0.0519 | 0.0348 |
说明:
- baidu: Baidu Accurate API
- Ali: Aliyun API
- 字符错误率（CER）：总的编辑距离除以真实标签（ground truth）中字符的总数量。
高级用法
启用全局 KV 缓存后，我们使用 PyTorch (CUDA) 实现了一个简单版本。在使用 torch (CUDA) 运行时，您可以通过在 ORTSeq2Seq(...) 中设置 use_cache=True 来启用缓存，这也允许更大的批处理大小。
语言特定配置
更多示例请参见 demo.py。
评估与基准测试
PHOCR 提供全面的基准测试工具，用于评估模型在不同语言和场景下的性能。
快速基准测试
运行完整的基准测试流程：
sh benchmark/run_recognition.sh
计算模型预测的字符错误率 (CER)：
sh benchmark/run_score.sh
基准测试数据集
PHOCR 使用标准化的基准测试数据集进行公平比较：
中英文混合文本识别主要来自于OmniDocBench的随机采样。 其它数据由我们的团队手工采集完成。
后续优化方向
- 通过进一步归一化训练语料，字符错误率（CER，包括标点符号）可以得到进一步降低。
- 通过采用更先进的检测框架，文字检测的准确率可以进一步提升。
贡献指南
我们欢迎任何贡献！请随时提交 issue、功能请求或 pull request。
支持
如有问题或需要支持，请在 GitHub 上提交 issue 或联系维护者。
鸣谢
特别感谢 RapidOCR 提供的检测模型及主框架支持。
许可证
- 本项目采用 Apache 2.0 开源许可证
- OCR 检测和分类模型的版权归百度所有
- PHOCR 识别模型采用修改版 MIT 许可证，详情请见 LICENSE 文件
引用方式
如果您在研究中使用了 PHOCR，请引用：
@misc{phocr2025,
title={PHOCR: High-Performance OCR Toolkit},
author={PuHui Lab},
year={2025},
url={https://github.com/puhuilab/phocr}
}