ailia Tech BLOG
PaddleOCR v3 : 日本語が高精度化した最新のOCRモデル
日本語が高精度化した最新のOCRモデルであるPaddleOCR v3の紹介です。
PaddleOCRについて
PaddleOCRはBaiduの開発した高速なOCRモデルです。2020年に公開されたv1では、日本語にも対応していましたが、軽量なMobileモデルのみが公開されており、精度に課題がありました。
PaddleOCR: 最新の軽量OCRシステムailia SDKで使用できる機械学習モデルである「PaddleOCR」のご紹介です。「PaddleOCR」を使用することで日本語のOCRを簡単に実装することができます。medium.com
PaddleOCR v3について
PaddleOCR v3は2025年7月に公開された、PaddleOCRの最新版です。
PaddleOCR v1からv3への変更点（出典：https://arxiv.org/abs/2507.05595）
PaddleOCR v3では、公式の高精度モデルに日本語が追加されました。モデルアーキテクチャとしては、PP-OCRv5が導入され、Universal Text Recognitionとして、1つのモデルで、Chinese、Tranditional Chinese、English、Japanese、Pinyinをサポートしています。PaddleOCR v1では言語を事前に指定する必要がありましたが、PaddleOCR v3では言語の指定が不要になっています。
PaddleOCRの機能一覧（出典：https://github.com/PaddlePaddle/PaddleOCR）
PaddleOCR v3のテクニカルレポートは下記に公開されています。
PP-OCRv5について
PP-OCRv5には、Detectionモデルと、Recognitionモデルが存在します。DetectionモデルとRecognitionモデルの入出力のフォーマットは従来のモデルと共通です。Orientation Classificationモデルは従来のモデルから更新はありません。
PP-OCRv5のアーキテクチャ（出典：https://arxiv.org/abs/2507.05595）
テキスト検出モデルのアーキテクチャとしては、PP-HGNetV2を採用しています。学習においては、知識蒸留を使用しています。GOT-OCR2.0のVision Encoderを教師モデルとして利用しています。アーキテクチャはDBです。AIモデルの出力は、テキストの範囲を示す4点の座標です。
テキスト認識モデルのアーキテクチャとしては、デュアルブランチを採用しています。入力ShapeはV1の(3, 32, 320)から、V3の(3, 48, 320)に解像度が上がっています。
テキスト検出モデルで検知した結果から、テキスト認識モデルの入力画像をリサイズする際、V1では、バッチ入力するテキストの最大のアスペクト比であるmax_wh_ratioを用いて、predict_rec.pyのresize_norm_imageでテンソルの横幅を決定していました。
imgW = int((32 * max_wh_ratio))
V3では、高さが32とは限らなくなったため、テキスト検出モデルの要求高さであるimgHを使用して計算するようになっています。
imgW = int((imgH * max_wh_ratio))
PP-OCRv5のデータセット
PP-OCRv5のデータセットは非公開のデータセットです。手書きデータは、中国語および英語のみ含まれています。
PP-OCRv5の精度
PP-OCRv5はOCRの性能の高いVLMとして知られるQwen2.5-VL-72Bの1/1000のパラメータ数で、Qwen2.5-VL-72Bと同等の精度を持っています。
PP-OCRv5の精度（出典：https://arxiv.org/abs/2507.05595）
PP-OCRv5では、単一モデルで多言語対応が可能です。
PP-OCRv5のマルチリンガル処理（出典：https://arxiv.org/abs/2507.05595）
ailia SDKでPaddleOCR v3を使用する
ailia SDKでPaddleOCR v3を使用するには、下記のコマンドを使用します。PaddleOCR v3はマルチリンガルモデルであるため、言語指定が不要になりました。軽量なモバイルモデルと、高精度なサーバモデルを選択可能です。デフォルトでサーバモデルで動作します。
python3 paddleocr_v3.py -i input.jpg -c mobile
python3 paddleocr_v3.py -i input.jpg -c server
実行例
実行例です。v1からv3になり、detとrecの両方のモデルの性能が向上しています。
PaddleOCR v1 (japanese mobile)
PaddleOCR v1 (japanese server) (独自学習モデル)
PaddleOCR v3 (mobile)
PaddleOCR v3 (server)
アイリア株式会社はAIを実用化する会社として、クロスプラットフォームでGPUを使用した高速な推論を行うことができるailia SDKを開発しています。アイリア株式会社ではコンサルティングからモデル作成、SDKの提供、AIを利用したアプリ・システム開発、サポートまで、 AIに関するトータルソリューションを提供していますのでお気軽にお問い合わせください。