國(guó)產(chǎn)開源模型成為星標(biāo)數(shù)最高OCR項(xiàng)目

　　中國(guó)開源模型再次吸引全球關(guān)注。日前，百度文心衍生模型PaddleOCR在國(guó)際開源社區(qū)GitHub上的星標(biāo)數(shù)突破7.33萬(wàn)，首次超越谷歌旗下開源OCR（光學(xué)字符識(shí)別）標(biāo)桿產(chǎn)品TesseractOCR，成為目前GitHub上星標(biāo)數(shù)最高的OCR項(xiàng)目，得到全球開發(fā)者的高度關(guān)注與認(rèn)可。

　　OCR是指利用圖像處理與模式識(shí)別技術(shù)將文字轉(zhuǎn)換為可編輯文本的計(jì)算機(jī)視覺技術(shù)。1985年，該領(lǐng)域的標(biāo)桿產(chǎn)品TesseractOCR誕生于惠普實(shí)驗(yàn)室，2005年開源后由谷歌接手維護(hù)并持續(xù)迭代至今。此次PaddleOCR的超越，標(biāo)志著在AI時(shí)代，OCR的技術(shù)體系正迎來(lái)重構(gòu)，其與大模型之間形成雙向賦能關(guān)系。

　　當(dāng)前，大模型訓(xùn)練普遍面臨數(shù)據(jù)短缺問題，已有的標(biāo)準(zhǔn)化數(shù)據(jù)無(wú)法滿足大模型逐漸擴(kuò)大的“胃口”。PaddleOCR相關(guān)技術(shù)負(fù)責(zé)人認(rèn)為，目前超過80%的信息仍以書籍、合同、表格等傳統(tǒng)文本形式呈現(xiàn)。面對(duì)這些格式各異的信息，OCR扮演著關(guān)鍵的數(shù)據(jù)“挖掘機(jī)”角色。其可以將圖像、PDF文檔中的文字與版面結(jié)構(gòu)轉(zhuǎn)化為機(jī)器可理解的電子化文本，能夠?yàn)榇竽Ｐ吞峁└S富、更真實(shí)、更高價(jià)值的數(shù)據(jù)。因此，掌握強(qiáng)大的OCR技術(shù)，意味著有機(jī)會(huì)打通現(xiàn)實(shí)世界的優(yōu)質(zhì)信息入口，進(jìn)而打造出更加前沿、優(yōu)質(zhì)的模型。

　　現(xiàn)實(shí)世界中，各類文檔質(zhì)量參差不齊，許多看似微小的細(xì)節(jié)影響著OCR對(duì)信息的識(shí)別應(yīng)用效果。例如，許多紙質(zhì)文檔掃描后往往存在傾斜、彎折、畸變等問題，難以被精準(zhǔn)識(shí)別。針對(duì)這一現(xiàn)實(shí)痛點(diǎn)，PaddleOCR首次提出異形框定位技術(shù)，讓“歪文檔”也能實(shí)現(xiàn)穩(wěn)定、可規(guī)模化解析。

　　目前，聚焦真實(shí)業(yè)務(wù)場(chǎng)景中的文檔數(shù)字化需求，PaddleOCR支持覆蓋110余種語(yǔ)言的圖文混排、表格結(jié)構(gòu)、公式符號(hào)等復(fù)雜文檔元素精準(zhǔn)解析，可直接輸出符合標(biāo)準(zhǔn)格式的結(jié)構(gòu)化數(shù)據(jù)，實(shí)現(xiàn)從圖像輸入到后續(xù)數(shù)據(jù)處理與智能應(yīng)用的無(wú)縫銜接。

　　在為AI發(fā)展提供數(shù)據(jù)養(yǎng)料的同時(shí)，大模型技術(shù)的引入也顯著推動(dòng)了OCR技術(shù)加快迭代。

　　PaddleOCR便是基于百度文心大模型訓(xùn)練而成。PaddleOCR能夠以高精度文本提取能力，把文檔中的文字、表格、公式等精準(zhǔn)捕獲；文心大模型則像持續(xù)進(jìn)化的大腦，在視覺理解、跨模態(tài)融合上持續(xù)突破，把對(duì)復(fù)雜文檔的深層理解不斷反哺回PaddleOCR，使其從“認(rèn)字工具”蛻變?yōu)椤白x懂世界的利器”。

　　就在PaddleOCR登頂GitHub不久，PaddleOCR OCEAN生態(tài)聯(lián)盟也正式成立，面向核心開源貢獻(xiàn)者、深度企業(yè)用戶及全球平臺(tái)伙伴開放，首批成員包括知名開源平臺(tái)Hugging Face等全球平臺(tái)伙伴，共同推動(dòng)OCR技術(shù)在更廣泛場(chǎng)景中的應(yīng)用落地。（記者 都芃）

　　轉(zhuǎn)自：科技日?qǐng)?bào)

　　【版權(quán)及免責(zé)聲明】凡本網(wǎng)所屬版權(quán)作品，轉(zhuǎn)載時(shí)須獲得授權(quán)并注明來(lái)源“中國(guó)產(chǎn)業(yè)經(jīng)濟(jì)信息網(wǎng)”，違者本網(wǎng)將保留追究其相關(guān)法律責(zé)任的權(quán)力。凡轉(zhuǎn)載文章及企業(yè)宣傳資訊，僅代表作者個(gè)人觀點(diǎn)，不代表本網(wǎng)觀點(diǎn)和立場(chǎng)。版權(quán)事宜請(qǐng)聯(lián)系：010-65363056。

延伸閱讀