Baidu เปิดตัว PP-OCRv6: พารามิเตอร์ระดับสิบล้านเทียบเท่า VLM ระดับพันล้าน โมเดลเดี่ยวรองรับ 50 ภาษา

ตามการติดตามของ Beating ทีม Baidu PaddlePaddle ได้เปิดตัวระบบ OCR รุ่นใหม่ PP-OCRv6 ซึ่งมีให้เลือก 3 เวอร์ชัน ได้แก่ Tiny 1.5M, Small 7.7M และ Medium 34.5M ครอบคลุมการใช้งานบนอุปกรณ์ Edge, เบราว์เซอร์ และการปรับใช้บนคลาวด์ เมื่อเทียบกับรุ่นก่อนหน้า PP-OCRv5 ความแม่นยำในการตรวจจับเพิ่มขึ้น 4.6% ความแม่นยำในการรู้จำเพิ่มขึ้น 5.1% และได้รวมภาษาจีน อังกฤษ ญี่ปุ่น รวมถึงภาษาในตระกูลละตินอีก 46 ภาษาเข้าไว้ในโมเดลเดียว

PP-OCRv6 ได้ออกแบบเครือข่ายการตรวจจับและการรู้จำใหม่ โดยนำโครงสร้างโมดูลแบบรวมและเทคนิค Structural Reparameterization มาใช้ เพื่อเพิ่มความแม่นยำพร้อมลดภาระการคำนวณ ภายใต้การปรับแต่งด้วย OpenVINO เวอร์ชัน Medium มีความเร็วในการประมวลผล CPU แบบ End-to-End เพิ่มขึ้นสูงสุด 5.2 เท่า

ผลการทดสอบที่เผยแพร่โดยทีมงานแสดงให้เห็นว่า PP-OCRv6 ด้วยพารามิเตอร์ระดับสิบล้าน สามารถทำผลงานใกล้เคียงหรือเหนือกว่าโมเดล Visual Language Model (VLM) ระดับพันล้านพารามิเตอร์ในเกณฑ์มาตรฐาน OCR หลายรายการ ทีมงานยังได้ปรับแต่งเฉพาะสำหรับลายมือ ป้ายชิ้นส่วนอุตสาหกรรม จอแสดงผลแบบดิจิตอล การพิมพ์บน PCB และแบบ CAD ปัจจุบันโค้ดที่เกี่ยวข้องได้ถูกรวมเข้าในโปรเจกต์ PaddleOCR และเปิดเป็นโอเพนซอร์สแล้ว