PP-OCR系列模型列表（V3，2022年4月28日更新）

说明

1. V3版模型相比V2版模型，在模型精度上有进一步提升
2. 2.0+版模型和1.1版模型 的主要区别在于动态图训练vs.静态图训练，模型性能上无明显差距。
3. 本文档提供的是PPOCR自研模型列表，更多基于公开数据集的算法介绍与预训练模型可以参考：算法概览文档。

• PP-OCR系列模型列表（V3，2022年4月28日更新）
  • 1. 文本检测模型
    • 1.1 中文检测模型
    • 2.2 英文检测模型
    • 1.3 多语言检测模型
  • 2. 文本识别模型
    • 2.1 中文识别模型
    • 2.2 英文识别模型
    • 2.3 多语言识别模型（更多语言持续更新中...）
  • 3. 文本方向分类模型
  • 4. Paddle-Lite 模型

PaddleOCR提供的可下载模型包括推理模型、训练模型、预训练模型、nb模型，模型区别说明如下：

各个模型的关系如下面的示意图所示。

1. 文本检测模型

1.1 中文检测模型

1.2 英文检测模型

• 注：英文检测模型与中文检测模型结构完全相同，只有训练数据不同，在此仅提供相同的配置文件。

1.3 多语言检测模型

• 注：多语言检测模型与中文检测模型结构完全相同，只有训练数据不同，在此仅提供相同的配置文件。

2. 文本识别模型

2.1 中文识别模型

说明： 训练模型是基于预训练模型在真实数据与竖排合成文本数据上finetune得到的模型，在真实应用场景中有着更好的表现，预训练模型则是直接基于全量真实数据与合成数据训练得到，更适合用于在自己的数据集上finetune。

2.2 英文识别模型

注意： 所有英文识别模型的字典文件均为ppocr/utils/en_dict.txt

2.3 多语言识别模型（更多语言持续更新中...）

查看完整语种列表与使用教程请参考: 多语言模型

3. 文本方向分类模型

4. Paddle-Lite 模型

Paddle-Lite 是一个高性能、轻量级、灵活性强且易于扩展的深度学习推理框架，它可以对inference模型进一步优化，得到适用于移动端/IoT端等端侧部署场景的nb模型。一般建议基于量化模型进行转换，因为可以将模型以INT8形式进行存储与推理，从而进一步减小模型大小，提升模型速度。

本节主要列出PP-OCRv2以及更早版本的检测与识别nb模型，最新版本的nb模型可以直接从上面的模型列表中获得。