پدل‌پدل (PaddlePaddle) نسخهٔ ششم از مدل‌های تشخیص متن (OCR) خود را با نام PP-OCRv6 منتشر کرد. این مدل که حالا روی پلتفرم هوگینگ فیس (Hugging Face) در دسترس است، برای شناسایی متن در اسناد، تصاویر، نمایشگرهای دیجیتال، برچسب‌های صنعتی و صحنه‌های واقعی طراحی شده و پشتیبانی از ۵۰ زبان را به‌صورت یکپارچه ارائه می‌دهد. نکتهٔ قابل توجه، مقیاس‌پذیری این مدل از ۱.۵ میلیون تا ۳۴.۵ میلیون پارامتر است که آن را برای طیف وسیعی از دستگاه‌ها، از موبایل تا سرور، مناسب می‌کند.
ویژگی‌های کلیدی PP-OCRv6
PP-OCRv6 در سه نسخهٔ tiny، small و medium عرضه شده است. نسخه‌های small و medium از ۵۰ زبان از جمله چینی ساده‌شده، چینی سنتی، انگلیسی و ژاپنی پشتیبانی می‌کنند. این تنوع اندازه به توسعه‌دهندگان اجازه می‌دهد بر اساس نیاز خود بین سرعت و دقت تعادل برقرار کنند. استفاده از ستون فقرات PPLCNetV4 و شبکهٔ RepLKFPN برای تشخیص متن و رمزگشای EncoderWithLightSVTR برای بازشناسی، از مهم‌ترین ارتقاهای فنی این نسخه به شمار می‌روند.
معماری و نوآوری فنی
در طراحی PP-OCRv6، تیم پدل‌پدل روی دو جنبه تمرکز ویژه‌ای داشته است: دقت در تشخیص متن‌های کج و پیچیده و کارایی بالا در محیط‌های واقعی. ستون فقرات PPLCNetV4 به‌طور خاص برای استخراج ویژگی‌های سبک و قدرتمند بهینه شده است. از سوی دیگر، RepLKFPN به بهبود تشخیص متن در تصاویری با وضوح پایین و پس‌زمینه شلوغ کمک می‌کند. همچنین رمزگشای سبک EncoderWithLightSVTR سرعت بازشناسی را بدون افت کیفیت افزایش می‌دهد.
راه‌اندازی و استفاده عملی
توسعه‌دهندگان می‌توانند PP-OCRv6 را به‌صورت آنلاین ارزیابی کرده و سپس آن را با بک‌اندهای مختلف از جمله PaddlePaddle، Transformers و ONNX Runtime یکپارچه کنند. این انعطاف‌پذیری باعث می‌شود مدل به‌راحتی در پروژه‌های متنوع از جمله اپلیکیشن‌های موبایل، سامانه‌های اسکن اسناد و ابزارهای تحلیل تصویر صنعتی مورد استفاده قرار گیرد. برای شروع سریع، مستندات PaddleOCR راهنمای گام‌به‌گام نصب و اجرا را ارائه می‌دهد.
- پشتیبانی از ۵۰ زبان در نسخه‌های small و medium
- طیف پارامتر از ۱.۵ میلیون (tiny) تا ۳۴.۵ میلیون (medium)
- بک‌اندهای متنوع برای استقرار: PaddlePaddle، Transformers و ONNX Runtime
- بهبود دقت در تشخیص متن صحنه و اسناد با معماری جدید RepLKFPN
- طراحی سبک و بهینه برای اجرا روی دستگاه‌های کم‌قدرت
جمع‌بندی
انتشار PP-OCRv6 گام مهمی در دسترسی‌پذیر کردن فناوری تشخیص متن برای توسعه‌دهندگان سراسر جهان است. ترکیب پشتیبانی چندزبانه، مقیاس‌پذیری انعطاف‌پذیر و یکپارچگی آسان با ابزارهای محبوب مانند هوگینگ فیس، این مدل را به گزینه‌ای جدی برای پروژه‌های تجاری و تحقیقاتی تبدیل می‌کند. علاقه‌مندان می‌توانند هم‌اکنون این مدل را روی پلتفرم هوگینگ فیس امتحان کرده و آن را در محصولات خود به کار گیرند.
پرسش‌های پرتکرار
PP-OCRv6 چیست و چه تفاوتی با نسخه‌های قبلی دارد؟
PP-OCRv6 جدیدترین نسل مدل‌های خانواده PaddleOCR است که برای تشخیص و بازشناسی متن در تصاویر واقعی طراحی شده. تفاوت اصلی آن با نسخه‌های قبلی در پشتیبانی گسترده‌تر از ۵۰ زبان، معماری سبک‌تر PPLCNetV4 و شبکه RepLKFPN برای بهبود دقت در شرایط دشوار است.
چگونه می‌توان PP-OCRv6 را در پروژه خود استفاده کنم؟
می‌توانید مدل را به‌صورت آنلاین در هاب هوگینگ فیس ارزیابی کنید و سپس آن را با بک‌اند موردنظر خود مانند PaddlePaddle، Transformers یا ONNX Runtime یکپارچه کنید. مستندات کامل در وبسایت PaddleOCR و صفحه‌ی مدل در هوگینگ فیس موجود است.
