PaddleOCR 3.5 发布：Web 端直用、文档一键转 Markdown，生态交互新体验

点击下方卡片，关注“OpenCV与AI深度学习”

视觉/图像重磅干货，第一时间送达!

来源 |   飞桨PaddlePaddle

PaddleOCR3.5正式发布，带来以下核心升级：

发布浏览器端PaddleOCR.js，开发者可以用更轻量的方式在前端应用中直接调用OCR能力。

支持将PaddleOCR-VL文档解析内容转为Word，以及将Word、Excel、PPT等类型的办公文档转为Markdown。

融入Hugging Face开发生态，通过统一推理引擎配置方式，支持基于Transformers完成OCR系列模型推理。

发布PaddleOCR.js

在Agent时代，越来越多的智能体需要直接感知和理解用户界面上的信息——而这些信息，往往就存在于浏览器里。让数据不离开浏览器就能完成识别，不仅是对隐私的保护，更是降低系统复杂度、实现真正轻量化部署的关键一步。

PaddleOCR.js正是为此而生。从能力上看，它已经不仅仅是"能识别"，而是在浏览器侧提供了一套更完整的使用体验：基于ONNX Runtime Web搭建，同时支持WebGPU和Wasm两种加速后端；提供Worker模式，推理过程在后台线程运行，不阻塞主线程、不影响页面交互；并已适配Chrome、Safari等主流浏览器。

无论是验证码识别、在线票据处理，还是构建更强调交互体验的前端AI工具，开发者都可以用更轻量的方式，将PaddleOCR无缝接。

import { PaddleOCR }  from  "@paddleocr/paddleocr-js";const  ocr  = await PaddleOCR.create({   lang:  "ch",   ocrVersion:  "PP-OCRv5",   worker:  true,   ortOptions: {       backend:  "auto"   }});const  [result] = await ocr.predict(fileOrBlob);console.log(result.items);

同时，从调用风格上看，PaddleOCR.js与PaddleOCR Python接口也保持了较高的一致性。Python侧通过PaddleOCR(...)初始化并调用predict，浏览器侧则通过PaddleOCR.create({...})初始化后同样调用predict得到推理结果列表。这让已有PaddleOCR Python库用户迁移到Web端时几乎不需要重新理解一套完全不同的接口设计：

from  paddleocr  import  PaddleOCRocr =  PaddleOCR(      lang="ch",      ocr_version="PP-OCRv5")result = ocr.predict("general_ocr_002.png")

import  {  PaddleOCR  }  from  "@paddleocr/paddleocr-js";// 支持 Python 风格的 snake_case 参数const  ocr =  await  PaddleOCR.create({    lang:  "ch",    ocr_version:  "PP-OCRv5"});// 也支持 JavaScript 风格的 camelCase 参数// const ocr = await PaddleOCR.create({//    lang: "ch",//    ocrVersion: "PP-OCRv5"// });const  [result] =  await  ocr.predict(fileOrBlob);

另外，PaddleOCR.js还提供了结果可视化能力，能够把检测框、识别文字等结果以与PaddleOCR Python库相同的风格渲染出来。

import { OcrVisualizer }  from  "@paddleocr/paddleocr-js/viz";const  viz  =  new  OcrVisualizer({   font: {  family:  "Noto Sans SC",  source:  "/fonts/NotoSansSC-Regular.ttf"  }});const  blob  = await viz.toBlob(imageBitmap, result);

PaddleOCR仓库中提供了一个简单Demo应用，用于快速体验PaddleOCR.js的效果：

开发者可以在Demo应用中先跑通体验，再逐步集成到自己的Web应用中。

支持多格式文档解析

大模型时代，数据的价值被重新审视。海量知识沉淀在Word、Excel、PPT、PDF等各类文档中，而大模型真正能消化的，是结构清晰的文本。打通文档与大模型之间的通路，成为这个时代最迫切的需求之一。

为此，PaddleOCR 3.5在文档格式的输入与输出两端同时发力：

输出侧：支持将PaddleOCR-VL系列模型、PP-StructureV3的预测结果直接导出为Word格式，让识别结果开箱即用、便于人工流转；

输入侧：支持将Word、Excel、PPT等主流办公文档转换为Markdown格式，结构清晰，易于后续的LLM接入与智能体调用。

以PaddleOCR-VL为例，将预测结果导出为Word文档只需几行代码：

from paddleocr import PaddleOCRVLpipeline = PaddleOCRVL()output = pipeline.predict("./paddleocr_vl_demo.png")pages_res = []for res in output:      res.save_to_word(save_path="output")  ## 保存当前图像的Word格式的结果      pages_res.append(res)       output = pipeline.restructure_pages(pages_res)for res in output:      res.save_to_word(save_path="output")  ## 将合并后的多页结果保存为Word格式

向左滑动查看导出后的word文件

对于办公文档转Markdown功能，只需一行命令即可高效完成：

# 转换 Word 文档，输出到文件paddleocr doc2md  -i  report.docx  -o  output.md# 转换 Excel 表格，输出到文件paddleocr doc2md  -i  data.xlsx  -o  output.md# 转换 PowerPoint 演示文稿，输出到文件paddleocr doc2md  -i  slides.pptx  -o  output.md

向左滑动查看导出后的Markdown文件

向左滑动查看导出后的Markdown文件

全面适配Transformers推理后端

PaddleOCR3.5将Transformers正式纳入统一推理引擎体系，支持通过统一的配置方式，让开发者可以用同一套接口切换不同底层后端。对需要融入 Hugging Face AI开发生态的用户来说，这意味着在熟悉的Transformers环境中，也能更顺畅地接入OCR与文档解析能力，减少跨生态集成成本，并让原本分散的部署选择变得更加统一、清晰。

从使用门槛上看，这次适配也尽量保持了简单直接。开发者只需在环境中安装5.4.0或更高版本的transformers以及3.5.0版本的paddleocr，即可通过统一接口完成调用。以文本检测模型为例：

from  paddleocr  import  TextDetectionmodel =  TextDetection(      model_name="PP-OCRv5_server_det",      engine="transformers",)result = model.predict("general_ocr_001.png")

其中，engine可以是paddle_static、paddle_dynamic或transformers，分别对应飞桨静态图（Paddle Inference）、飞桨动态图和Transformers后端。

Transformers提供高效简洁的单模型的加载、配置与推理能力，而PaddleOCR在模块封装与多模型编排能力有长期积累的优势。在底层，我们保留了面向单模型的灵活接入方式；在更高一层，PaddleOCR仍然能够把检测、方向分类、识别等能力按业务需要串联组合起来，让开发者既能享受Transformers生态的便利，也能继续使用 PaddleOCR 已经成熟的产线化能力，实现更强的组合效果。例如，同样可以通过 engine 参数将 OCR pipeline直接切换到对应后端：

paddleocr ocr -i  xxx.png  \       --use_doc_orientation_classify  False \       --use_doc_unwarping  False \       --use_textline_orientation  False \       --save_path  ./output \       --engine  transformers

执行结果与使用飞桨静态图完全对齐：

此外，PaddleOCR3.5还支持通过engine_config参数配置推理后端的初始化参数，进而实现更细粒度的设备选择、精度控制与推理行为调优，让统一接口之上也保留了足够的灵活性与可定制空间。

从文档图像到结构化数据，PaddleOCR始终致力于降低AI应用开发的数据门槛。PaddleOCR 3.5版本的升级，不仅让OCR能力更广泛地融入HuggingFace生态与浏览器端，更将文档解析链路延伸至多格式办公文档的一键转换。这一切努力，归根结底是为了把“将文档图像转换为JSON、Markdown等AI友好数据”这件事做到极致，让PaddleOCR真正成为每一位AI开发者手边的“开局神器”——数据一键整理、适度清洗、格式就绪，让您的AI应用从第一步就走在高效的路上。

我们诚邀广大开发者、研究者及行业伙伴亲身体验这一全新版本，也期待大家持续给予宝贵的反馈与建议。每一条意见，都是我们前行的动力。让我们携手共建更开放、更强大的OCR生态，共同推动OCR技术走向更广阔的未来。

开源地址：

https://github.com/PaddlePaddle/PaddleOCR

本文仅做学术分享，如有侵权，请联系删文。

—THE END—

觉得有用，麻烦给个赞和在看  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！