PaddlePaddleプロジェクトは2026年6月22日、Hugging Face上で新しい光学文字認識(OCR)モデル「PP-OCRv6」を公開したことをブログ記事で明らかにしました。今回のモデル群はパラメータ数1.5Mから34.5Mまでの3段階で構成されており、日本語を含む最大50言語のテキスト認識に対応しているとされています。エッジ端末向けの軽量モデルからサーバー用途の高精度モデルまで、用途に応じて選べる構成になっている点が特徴です。Hugging Face Hub上では複数の形式で配布されており、既存の開発環境に組み込みやすい形が意識されています。

ポイント

  • パラメータ数の異なる3種類のモデル「tiny(1.5M)」「small(7.7M)」「medium(34.5M)」が用意されている
  • mediumモデルは検出精度(Hmean)86.2%、認識精度83.2%を記録したと報じられている
  • 前世代の「PP-OCRv5_server」との比較で、mediumモデルは検出+4.6ポイント、認識+5.1ポイントの向上があったとされる
  • 簡体字中国語・繁体字中国語・英語・日本語に加え、46のラテン文字言語を含む計50言語に対応
  • Hugging Face Hub上でPaddle推論形式・ONNX形式・safetensors形式の3形式が配布され、Transformers・ONNX Runtime・Paddle Inferenceの各バックエンドで利用できるとされている

背景と詳細

PP-OCRvシリーズは、オープンソースのOCRツールキット「PaddleOCR」の中核をなすモデル群として開発が続けられてきました。今回公開されたPP-OCRv6は、その最新版にあたります。ブログ記事によると、バックボーンには「PPLCNetV4」を統一的に採用し、テキスト検出部分には軽量な大カーネル特徴ピラミッドネットワーク「RepLKFPN」を、テキスト認識部分には局所的な特徴と全体的な文脈を組み合わせる「EncoderWithLightSVTR」を採用しているとのことです。

モデルサイズの異なる3段階構成も今回の特徴です。最小のtinyモデル(1.5Mパラメータ)はエッジデバイスでの利用を想定し、smallモデル(7.7Mパラメータ)はモバイルやデスクトップ環境向け、mediumモデル(34.5Mパラメータ)はサーバー側や産業用途を想定していると記事は説明しています。パラメータ数を抑えたモデルでも一定の精度を維持しつつ、必要に応じて高精度なモデルを選べる設計になっているようです。

Hugging Face Hubでの公開にあたっては、Paddle推論形式に加えてONNX形式やsafetensors形式でも配布されており、Transformers・ONNX Runtime・Paddle Inferenceといった複数のバックエンドから利用できる点も紹介されています。特定のフレームワークに縛られずに試せる環境を整えることで、開発者が既存のワークフローに組み込みやすくすることを狙ったものとみられます。

なぜ重要か

日本の読者にとって注目すべき点は、対応言語の一覧に「日本語」が明記されていることです。多言語OCRモデルは英語や中国語を優先しがちですが、今回のモデルは日本語のテキスト認識も想定に含めているとされています。また、1.5Mという小さなパラメータ数のモデルが用意されていることで、クラウド環境を使わずスマートフォンや組み込み機器上でOCR処理を行いたい開発者にとっても選択肢が広がる可能性があります。オープンソースかつHugging Face経由で入手できる形での公開は、コストを抑えてOCR機能を試したい中小企業や個人開発者にとっても取り組みやすい選択肢になり得ます。

今後の見通し

記事で示された精度数値は公開元による評価に基づくものであり、日本語の縦書きや手書き文字、レシートや帳票のような実務的な文書での性能は、今後の第三者による検証を経て明らかになっていくとみられます。既存の商用OCRサービスと比べた使い勝手や日本語特有のレイアウトへの対応度合いについても、実際に試した開発者からの報告が待たれるところです。