PP-OCRv4

概述

PP-OCRv4 是 PaddleOCR 的第四代 OCR 系统，包含文字检测、方向分类、文字识别三个子模块，是 MinerU 默认使用的 OCR 模型系列。

关键内容

系统组件

PP-OCRv4 系统组件：
├── 文字检测（Detection）：DBNet++ 变体
│   输入：图像
│   输出：文字区域的多边形轮廓
│
├── 文字方向分类（Direction Classification）：
│   输入：检测到的文字图像块
│   输出：0° / 90° / 180° / 270°
│
└── 文字识别（Recognition）：SVTR（Scene Text Recognizer）
    输入：矫正后的文字行图像
    输出：文字字符串 + 置信度

三个子模块

文字检测（DBNet++）：基于可微分二值化的检测模型，输出文字区域的多边形轮廓
文字方向分类：判断文字图像块的方向（0°/90°/180°/270°），用于处理竖排、倒排等场景
文字识别（SVTR）：基于 Vision Transformer 的识别模型，通过 CTC解码输出文字

在 MinerU 中的应用

MinerU 主要使用 PP-OCRv4 系列作为默认 OCR 引擎，原因包括： - 中文识别极强：专门针对中文优化，字符集包含 6763 个常用汉字（GB2312 标准） - 速度快：轻量级模型，区域裁剪 OCR 仅需 0.1~0.5 秒 - 检测+识别一体：完整的 OCR 流水线 - 版式理解：PP-Structure 支持文档结构分析 - 工业验证：阿里、京东等大厂使用

中文优化

字符集：6763 个常用汉字，覆盖 99% 以上常用中文场景
形近字处理：训练集中加入形近字混淆样本（己/已/巳，戊/戌/戍）
中英混排：统一字符集，同时包含中文和英文字符
垂直排版：方向分类器支持竖排文字识别

来源

raw/assets/MinerU/minerU_04_ocr.md — MinerU 深度解析系列 · 第四篇：OCR 引擎