Парсер документов с открытым исходным кодом, который преобразует PDF, файлы Office и изображения в Markdown или JSON для LLM и агентных сценариев.
83,3 тыс.+387 за неделю6,9 тыс.PythonOtherОбновлён 15 часов назад
PaddlePaddle/PaddleOCR
Набор инструментов с открытым исходным кодом для OCR и обработки документов: преобразует PDF и изображения в структурированный Markdown или JSON для конвейеров LLM и RAG.
Open source альтернатива:Adobe Acrobat
ABBYY FineReader
- Звёзды
- 92,403
- Форки
- 11,632
- Открытые issues
- 252
- Последний коммит
- 2 месяца назад
Что это?
PaddleOCR — набор инструментов для OCR от PaddlePaddle, который преобразует PDF-документы и изображения в структурированные данные, например Markdown и JSON, чтобы передавать содержимое большим языковым моделям и использовать в конвейерах RAG. Он поддерживает как разбор документов с сохранением структуры, таблиц, формул и диаграмм, так и распознавание текста на изображениях — например, на фотографиях и снимках улиц — на разных языках.
В проект входят несколько семейств моделей. Модели PP-OCR обнаруживают и распознают текст на более чем 100 языках, а PaddleOCR-VL — мультимодальная vision-language-модель с 0,9 млрд параметров для разбора документов. PP-StructureV3 предоставляет координаты с более высокой точностью, в том числе позиции ячеек таблиц и текста. Модели можно запускать на CPU, NVIDIA GPU, Intel, Kunlunxin XPU и других ускорителях, экспортировать в ONNX или запускать с помощью OpenVINO, ONNX Runtime и TensorRT.
Для развёртывания PaddleOCR предлагает онлайн-центр демонстрации и API, локальную установку Python и вариант сервера для интеграции с C++, C#, Java и другими языками.
Ключевые возможности
- 01Преобразует PDF и изображения в Markdown или JSON.
- 02Мультимодальная vision-language-модель PaddleOCR-VL с 0,9 млрд параметров для разбора документов.
- 03Обнаруживает и распознаёт текст более чем на 100 языках с помощью единой модели.
- 04Анализирует структуру документа и извлекает координаты ячеек таблиц и текста.
- 05Работает на CPU, NVIDIA GPU, Intel, Kunlunxin XPU и других ускорителях.
- 06Поддерживает экспорт в ONNX и ускорение с помощью OpenVINO, ONNX Runtime или TensorRT.
Сценарии использования
- Подготовка отсканированных PDF и отчётов в виде очищенного Markdown для базы знаний RAG.
- Извлечение таблиц и текста с координатами для обработки счетов и форм.
- Распознавание текста на разных языках на фотографиях, вывесках или промышленных компонентах.
- Интеграция OCR в приложения на C++, C# или Java с помощью серверного варианта.
В подборках
Темы
#ocr#document-parsing#pdf-parser#rag#computer-vision#vision-language-model#multilingual#deep-learning#ai4science#chineseocr
Частые вопросы
- Что такое PaddleOCR?
- Набор инструментов с открытым исходным кодом для OCR и обработки документов: преобразует PDF и изображения в структурированный Markdown или JSON для конвейеров LLM и RAG. PaddleOCR — набор инструментов для OCR от PaddlePaddle, который преобразует PDF-документы и изображения в структурированные данные, например Markdown и JSON, чтобы передавать содержимое большим языковым моделям и использовать в конвейерах RAG. Он поддерживает как разбор документов с сохранением структуры, таблиц, формул и диаграмм, так и распознавание текста на изображениях — например, на фотографиях и снимках улиц — на разных языках.
- PaddleOCR можно использовать бесплатно? Какая у него лицензия?
- PaddleOCR распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- PaddleOCR всё ещё поддерживается?
- Обновлялся за последние 6 месяцев. Последний коммит в PaddleOCR — 16 сент. 2026 г..
- Для чего можно использовать PaddleOCR?
- Подготовка отсканированных PDF и отчётов в виде очищенного Markdown для базы знаний RAG. Извлечение таблиц и текста с координатами для обработки счетов и форм. Распознавание текста на разных языках на фотографиях, вывесках или промышленных компонентах. Интеграция OCR в приложения на C++, C# или Java с помощью серверного варианта.
- Где скачать PaddleOCR?
- Исходный код и инструкции по установке — на GitHub: https://github.com/PaddlePaddle/PaddleOCR
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Парсер PDF с открытым исходным кодом: преобразует документы в Markdown, JSON с координатами элементов и HTML для AI-пайплайнов, а также автоматически добавляет теги в документы без тегов.
30,2 тыс.+72 за неделю2,9 тыс.JavaApache-2.0Обновлён позавчера
Мультимодальная OCR-модель с 0,9 млрд параметров и SDK для извлечения текста, таблиц, формул и структуры из сложных документов.
7,6 тыс.+18 за неделю677PythonApache-2.0Обновлён 25 дней назад
MiniCPM-OCR — семейство моделей с открытым исходным кодом для разбора документов и дополнительная модель для оценки точности результатов OCR.
846+129 за неделю62TypeScriptApache-2.0Активно поддерживаетсяОбновлён позавчера
API для обработки документов на собственном сервере: превращает PDF, файлы Office и изображения в готовые для LLM фрагменты с анализом структуры и OCR.
4,2 тыс.+5 за неделю278RustAGPL-3.0Обновлён 2 месяца назад
Парсер документов с открытым исходным кодом: преобразует PDF, файлы Office, HTML и другие форматы в структурированные данные для генеративных AI-пайплайнов.
70,3 тыс.+328 за неделю5,3 тыс.PythonMITАктивно поддерживаетсяОбновлён 13 часов назад