paddleocr

name	paddleocr
description	Toolkit OCR líder mundial + motor de Document AI — convierte PDFs e imágenes en datos estructurados listos para LLMs. 79K+ estrellas.
url	https://github.com/PaddlePaddle/PaddleOCR
category	herramientas
fecha	2026-06-05T00:00:00.000Z

PaddleOCR — Document AI Engine

¿Qué hace?

PaddleOCR es el toolkit OCR de código abierto más utilizado del mundo (70K+ estrellas), integrado con Dify, RAGFlow, Cherry Studio y otros proyectos top. Convierte documentos PDF e imágenes en datos estructurados (JSON/Markdown) listos para LLMs, con precisión líder en la industria.

Componentes principales

• PaddleOCR-VL-1.6 (0.9B): Modelo vision-language ligero para parsing de documentos. 96.3% de precisión en OmniDocBench v1.6. Soporta 111 idiomas.
• PP-OCRv5: Modelo de reconocimiento de texto universal. 100+ idiomas, 13% mejora de precisión sobre la versión anterior. Solo 2M parámetros.
• PP-StructureV3: Conversión de PDFs/imágenes complejas a Markdown o JSON con coordenadas de celdas, texto, etc.

Casos de uso

• RAG pipelines: Extraer texto estructurado de PDFs para alimentar vectordbs
• Document processing: Convertir documentos escaneados, fotos de IDs, carteles a texto
• Multilingual OCR: Reconocimiento en 100+ idiomas incluyendo chino, árabe, hindi, cirílico
• Element recognition: Tablas, fórmulas, gráficos, sellos, documentos antiguos
• Edge deployment: Funciona en CPU, GPU, XPU, NPU — ideal para edge computing
• Browser inference: PaddleOCR.js — ejecutar OCR directamente en el navegador

Snippets útiles

Instalación básica

pip install paddleocr

OCR básico

from paddleocr import PaddleOCR

ocr = PaddleOCR(use_angle_cls=True, lang='es')
result = ocr.ocr('imagen.jpg', cls=True)
for line in result:
    for word_info in line:
        print(word_info[1])  # (texto, confianza)

PaddleOCR-VL para documentos

from paddleocr import PaddleOCRVL

vl = PaddleOCRVL(model_name="PaddleOCR-VL-1.6")
result = vl.ocr('documento.pdf', format='markdown')
# Resultado en Markdown con estructura

PP-StructureV3 para parsing complejo

from paddleocr import PPStructureV3

parser = PPStructureV3()
result = parser('documento_complejo.pdf')
# Devuelve Markdown o JSON con coordenadas

PaddleOCR.js en navegador

import { PaddleOCR } from 'paddleocr.js';

const ocr = await PaddleOCR.load();
const result = await ocr.recognize(imageData);

Cómo integrarlo

1. Instalar con pip install paddleocr
2. Configurar modelo según necesidad: PP-OCRv5 (texto), PaddleOCR-VL (documentos), PP-StructureV3 (estructura)
3. Para RAG: pipeline OCR → Markdown/JSON → vectorización → consulta
4. Para edge: exportar a ONNX + TensorRT para inferencia optimizada
5. Para web: usar PaddleOCR.js para OCR client-side

Pitfalls

• PaddlePaddle framework — requiere instalar PaddlePaddle (no es solo una librería Python estándar)
• Tamaño del modelo — los modelos VL son pesados (~GB), considerar versiones ONNX para edge
• Dependencias CUDA — para GPU, verificar versión de CUDA compatible
• PaddleOCR.js — funcionalidad limitada comparada con la versión Python
• Idiomas no latinos — mejor rendimiento en idiomas latinos y chinos; otros pueden necesitar tuning
• Documentos escaneados vs nativos — para PDFs nativos (texto selectable), considerar extracción directa primero

Fecha de descubrimiento

2026-06-05 — trending diario, 79K estrellas, integrado con Dify y RAGFlow