PaddleOCR の文字検出・認識、レイアウト解析、0.9B の文書モデルを分解し、多言語や複雑な版面から Markdown と JSON までの流れを紹介します。
AIが手書き文字を読み間違え続けるときは、すぐにツールを変えるのではなく、まず写真と字そのものに問題があることがほとんどです。まず文字をきれいに撮影し、段落ごとに認識させ、1行ずつ確認しましょう。この三つの手順を踏めば、結果はたいてい使えるものになります。それでもだめな場合に、認識方法の変更を検討し...
PaddleOCRは、百度の飛桨（PaddlePaddle）チームが維持するオープンソースの OCR ツールキットで、PDF や画像の中の文字を版面構造ごと抽出し、機械が使えるデータに変えるために作られています。GitHub で長く注目される理由は目新しさではなく、多くのチームが知識ベース、請求書処...
MinerUは、この2年で文書解析の分野で避けて通れないオープンソースになりました。複雑なレイアウトのPDFをきれいなMarkdownやJSONに変換し、数式はLaTeX、表はHTMLに、スキャン文書は自動でOCRへ回す。大規模モデルの学習やRAGの知識ベースが最も必要とする高品質コーパスに、ちょう...
AI の画像認識が文字を読み間違えるのは、多くの場合モデルが賢くないからではなく、入力する画像の種類に処理方法が合っていないからです。モデルを変える前に、まず画像を写真・スクリーンショット・スキャン文書の3種類に分け、それぞれに合った方法で処理しましょう。認識精度はすぐに大きく上がります。 ケース1...
1. 要旨 PaddleOCR-VL-1.5は、PaddlePaddleのオープンソース0.9Bパラメトリックドキュメントマルチモーダルモデルであり、レイアウトの位置付け、読み取り順からテキスト・表・数式などの構造化解析まで、実際の取得シナリオ(「曲げ、歪み、傾斜、スクリーン撮影、複雑な照明」など)...
1. 要旨 PaddleOCRは、PaddlePaddleをベースにしたオープンソースのOCRおよび文書解析ツールボックスで、画像やPDFに対して「テキスト認識+構造化抽出」を提供します。 3.xシステムでは、PP-OCRv5は一般的なテキスト検出と認識をカバーし、PP-StructureV3は複雑...
2025年10月16日、PaddleOCRはマルチモーダル文書解析モデルPaddleOCR-VLのリリースを発表しました。これはバージョン3.3.0のコア機能としてリリースされました。約0.9Bサイズのこのモデルは、NaViTスタイルの動的解像度ビジュアルエンコーダーとERNIE-4.5-0.3B言...
