PaddleOCR 3.5：Transformers バックエンドによる OCR および文書解析タスクの実行

[記事一覧に戻る](https://huggingface.co/blog) PaddleOCR 3.5 は、OCR（光学文字認識）およびドキュメント解析タスクを Hugging Face エコシステムに近づけました。今回のリリースにより、engine="transformers"と設定することで、サポート対象の PaddleOCR モデルを**Hugging Face Transformers を推論バックエンドとして実行可能**になりました。 PaddleOCR は引き続き、**PP-OCRv5**などの OCR モデルシリーズや、**PaddleOCR-VL 1.5**などのドキュメント解析モデルシリーズを提供し続けており、これらを実行するためのサポート対象バックエンドの一つとして Transformers が加わりました。 Hugging Face Spaces でライブデモを試す: [https://huggingface.co/spaces/PaddlePaddle/paddleocr-3.5-transformers-demo](https://huggingface.co/spaces/PaddlePaddle/paddleocr-3.5-transformers-demo) ## 何が変わったのか？ PaddleOCR 3.5 は、より柔軟な推論エンジンインターフェースを導入しました。開発者は engine パラメータを通じてバックエンドを選択し、engine_config を介してバックエンド固有のオプションを渡すことができます。 具体的には以下のようになります： - これらのタスク背後のパイプラインは PaddleOCR によって管理されるため、開発者が各内部コンポーネントを手動で呼び出す必要はありません。 - Transformers は、サポート対象の PaddleOCR モデルを実行するための推論バックエンドの一つとしてサポートされます。 - 開発者は engine_config を通じて、dtype（データ型）、デバイス配置、アテンション実装などのバックエンド関連オプションを構成できます。 スタックを理解する簡単な方法： Layer 意味 例 **アプリケーション層** OCR およびドキュメント解析の出力を利用するアプリケーション RAG、エージェント、Document AI など... **モデル層** OCR およびドキュメント解析機能 PP-OCRv5、PaddleOCR-VL 1.5 など... **推論バックエンド層** サポート対象モデルを実行するためのランタイム Paddle static graph（静的グラフ）、Paddle dynamic graph（動的グラフ）、Transformers 今回のリリースは主に推論バックエンド層に関するものです。PaddleOCR は引き続き OCR およびドキュメント解析機能を提供し続ける一方、Transformers により、サポート対象の PaddleOCR モデルが Hugging Face を中心とした環境に自然に適合する新たなバックエンドオプションを得ることになります。より大規模な Document AI のワークフローは依然として開発者やアプリケーションビルダーの手元にあります。 ## なぜこれが重要なのか RAG、Document AI、ドキュメントエージェントアプリケーションにおいて、難しい部分は LLM（大規模言語モデル）の前段階から始まることがよくあります。 まず開発者は、PDF、スキャンされた文書、スクリーンショット、表、チャート、数式、複雑なページレイアウトを、信頼性の高い構造化データに変換する必要があります。この取り込みステップが脆弱であれば、下流の LLM ワークフローは重要な情報を見逃したり、誤ったコンテキストを取得したり、信頼性の低い回答を生成したりする可能性があります。 PaddleOCR は、PP-OCRv5 などの OCR シリーズモデルや、PaddleOCR-VL-1.5 などのドキュメント解析シリーズモデルを提供することで、このドキュメント取り込みの課題に対処します。 PaddleOCR 3.5 では、これらの機能が Transformer を中心としたスタックとの接続がより容易になりました。対応する PaddleOCR モデルは Transformers バックエンドで実行可能でありながら、OCR やドキュメント解析パイプラインの管理は引き続き PaddleOCR が裏側で行います。 開発者にとっては、統合における摩擦が減り、ドキュメントから下流の RAG（Retrieval-Augmented Generation）、エージェント、検索、分析、または自動化ワークフローへのより自然な道筋が実現されます。 ## クイックスタート PaddleOCR 3.5、PaddleX、Transformers、およびお使いのハードウェアに適合する PyTorch のビルドをインストールしてください。 例えば、CUDA 12.6 環境では以下のようになります： python -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126 python -m pip install "paddleocr==3.5.0" "paddlex==3.5.2" "transformers>=5.4.0" CPU、ROCm、またはその他の環境では、ターゲットハードウェアに一致する PyTorch のビルドをインストールしてください。 コマンドラインから実行します： paddleocr ocr \ -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png \ --device gpu:0 \ --engine transformers または、Python API を使用します： from paddleocr import PaddleOCR pipeline = PaddleOCR( device="gpu:0", engine="transformers", use_doc_orientation_classify=False, use_doc_unwarping=False, use_textline_orientation=False, engine_config={ "dtype": "float32", }, ) results = pipeline.predict( "https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png" ) for result in results: print(result) Hugging Face Space では広範な互換性を確保するために float32 を使用しています。ご自身のハードウェアにおいては、engine_config を通じてバックエンド固有のオプションを調整できます: engine_config = { "dtype": "bfloat16", "device_type": "gpu", "device_id": 0, "attn_implementation": "sdpa", } 最適な設定は、モデル、ハードウェア、およびデプロイ環境によって異なります。 ## Transformers バックエンドを使用すべきタイミングは？ PaddleOCR の OCR（光学文字認識）およびドキュメント解析機能を、Hugging Face を中心としたスタックにより自然に統合したい場合に、Transformers バックエンドを使用してください。 これは特に、RAG（検索拡張生成）、Document AI、検索、分析、またはエージェントアプリケーションを構築中で、モデルの読み込み、実験、デプロイ、あるいはモデルアーティファクト管理のためにすでに PyTorch / Transformers インフラストラクチャに依存している場合に有用です。 Transformers バックエンドは、以下のようなニーズに適しています: - 既に Transformers を使用しているチームにとってより慣れ親しんだ開発体験, - サポート対象の PaddleOCR モデルに対する Hub との互換性を持つモデル発見および配布機能, - 既存の PyTorch / Transformers サービスとの統合が容易になる点。 OCR またはドキュメント解析のスループット最大化が最優先事項である場合、PaddleOCR のデフォルトである paddle_static バックエンド（原語: paddle_static backend）が通常推奨されます。 今回のリリースは、あるバックエンドを別のバックエンドで置き換えるものではありません。開発者に柔軟性を与えるためのものです：OCR およびドキュメント解析機能には PaddleOCR を使用し、ご自身のスタックに最も適した推論用バックエンドを選択してください。 ## 今すぐお試しください Hugging Face Spaces で PaddleOCR 3.5 の Transformers デモを試すことができます: [https://huggingface.co/spaces/PaddlePaddle/paddleocr-3.5-transformers-demo](https://huggingface.co/spaces/PaddlePaddle/paddleocr-3.5-transformers-demo) Hub で PaddleOCR モデルを検索する: [https://huggingface.co/PaddlePaddle/models](https://huggingface.co/PaddlePaddle/models) PaddleOCR 3.5 は、OCR および文書解析の機能を Transformer を中心としたワークフローにより近づけつつも、開発者がその周りに大規模な Document AI アプリケーションを構築する自由を提供します。 ## リソース - PaddleOCR ドキュメント: https://www.paddleocr.ai/ - GitHub 上の PaddleOCR: https://github.com/PaddlePaddle/PaddleOCR - Hugging Face 上の PaddlePaddle オルガニゼーション: https://huggingface.co/PaddlePaddle - Spaces 上の PaddleOCR 3.5 Transformers デモ: https://huggingface.co/spaces/PaddlePaddle/paddleocr-3.5-transformers-demo ## 謝辞 PaddleOCR 3.5 の Transformers 統合をサポートしてくれた Hugging Face のエンジニアの皆様に心から感謝いたします。 エンドツーエンドの関与、関連するすべてのプルリクエストのレビューおよびマージに尽力された [Anton Vlasjuk](https://huggingface.co/AntonV) に特に感謝申し上げます。 また、貴重な PR レビューとフィードバックを提供してくれた [Raushan Turganbay](https://huggingface.co/RaushanTurganbay) と [Yoni Gozlan](https://huggingface.co/yonigozlan) にも感謝いたします。 彼らのガイダンスは、Hugging Face コミュニティ向けの統合品質、ドキュメント、開発者体験の向上に貢献しました。

PaddleOCR 3.5：Transformers バックエンドによる OCR および文書解析タスクの実行

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト