PaddleOCR: o OCR que entende a page

#Primeiro, a detecção: o que isso muda

PaddleOCR é um conjunto de ferramentas de reconhecimento óptico de caracteres (OCR) livre, sob licença Apache 2.0, que não lê uma página linha por linha: primeiro localiza o texto, depois lê cada região e, em seguida, pode reconstruir a estrutura da página e de suas tabelas. É isso que o torna robusto em faturas, formulários, digitalizações inclinadas e documentos multilíngues, situações em que um motor como o Tesseract produz absurdos com convicção. O projeto existe em duas famílias: um pipeline modular (PP-OCRv6 para a leitura, PP-StructureV3 para a estrutura) e PaddleOCR-VL, um modelo de visão com cerca de 0,9 bilhão de parâmetros que converte uma página em Markdown em uma única passagem e alcança 96,33% no OmniDocBench v1.6, segundo seu desenvolvedor. O preço a pagar é uma instalação mais pesada, com PaddlePaddle e pesos de modelos, além de pré-requisitos de GPU documentados para a variante VL. Para texto limpo em grande volume, um motor leve continua sendo mais simples.

Um mecanismo convencional supõe que uma página é composta por linhas de texto dispostas como em um livro. Os documentos reais não são assim: uma fatura tem quadros, um formulário tem campos, uma apresentação tem texto sobre imagens, uma digitalização chega torta e um desenho técnico tem rótulos inclinados.

PaddleOCR divide o problema. Um modelo de detecção encontra as regiões de texto onde quer que estejam e retorna suas posições; um modelo de reconhecimento lê cada região. Um texto inclinado, uma legenda na margem e um número em uma célula se tornam três regiões entre outras. Isso permite que ele funcione em documentos nos quais um leitor linha a linha comete erros sem que eles fiquem aparentes.

#As etapas do pipeline

Nem todas as etapas são obrigatórias. Ler algumas etiquetas exige apenas detecção e reconhecimento; ingerir relatórios financeiros para pesquisa documental justifica a cadeia completa. PP-OCRv6, a geração de modelos de reconhecimento publicada em 2026, cobre sozinha 50 idiomas em um modelo unificado (chinês, inglês, japonês e 46 idiomas com alfabeto latino), sem trocar de modelo de um idioma para outro.

#PaddleOCR-VL : o OCR que se torna um modelo de visão

Desde outubro de 2025, o projeto publica uma segunda família com o mesmo nome: PaddleOCR-VL, um modelo compacto de visão e linguagem que substitui todo o pipeline de cinco etapas por uma única passagem. A versão 1.6, lançada no final de maio de 2026, tem cerca de 0,9 bilhão de parâmetros e combina um codificador visual de resolução dinâmica com um pequeno modelo de linguagem. No OmniDocBench v1.6, o benchmark de referência para a conversão de documentos em Markdown ou JSON, ela atinge uma pontuação de 96,33 %, nível que o próprio projeto descreve como um novo estado da arte.

O que chama a atenção não é apenas a pontuação: é o tamanho do modelo que a alcança. Um guia publicado pelo InsiderLLM resume a situação em uma frase: um modelo com 900 milhões de parâmetros supera um modelo de 72 bilhões e o GPT-4o no reconhecimento de documentos. O mesmo artigo calcula o custo de memória do concorrente geralista — o Qwen2.5-VL-72B precisa de 48 GB de VRAM ou mais em quantização Q4 — enquanto o PaddleOCR-VL, convertido para o formato GGUF e quantizado em Q4_K_M, ocupa cerca de um a um gigabyte e meio, correspondendo ao peso total do modelo de linguagem e do projetor visual combinados. Essa abordagem GGUF é recente: a suporte ao PaddleOCR-VL foi integrado ao llama.cpp em fevereiro de 2026 (versão b8110), e os arquivos GGUF disponíveis são da comunidade, não dos desenvolvedores do PaddleOCR.

O componente que gera a pontuação OmniDocBench não é o único: ao lado do PaddleOCR-VL, o projeto mantém o PP-StructureV3, um pipeline dedicado à conversão de PDFs complexos em Markdown ou JSON, com as coordenadas precisas de cada célula de tabela e de cada bloco de texto. Os dois componentes visam o mesmo objetivo — um documento real convertido corretamente — por dois caminhos diferentes: um modelo único para o PaddleOCR-VL, uma cadeia de componentes especializados para o PP-StructureV3. Seja qual for o mecanismo, ele oferece suporte nativo à inferência com múltiplas GPUs e múltiplos processos, o que é importante quando é preciso processar um corpus de várias dezenas de milhares de páginas em um prazo razoável.

#PaddleOCR ou Tesseract

Uma cadeia bem projetada utiliza os dois: as páginas simples ficam com o motor leve, e as complexas, com o motor mais caro. O encaminhamento não custa nada e economiza horas em um grande corpus. A observação sobre a inclinação não é um mero detalhe: a Koncile, uma empresa de software de extração de faturas, mediu em seus próprios testes uma queda na taxa de leitura do Tesseract de 100% em uma fatura sem inclinação para 31% assim que a digitalização apresenta uma inclinação de apenas 3 a 5 graus — exatamente o caso que a etapa de classificação de orientação do PaddleOCR foi projetada para tratar.

• Tesseract: o motor leve, e quando basta
• Docling: converter documentos estruturados
• Extrair os dados de uma fatura de ponta a ponta
• Analisar uma imagem com um modelo de visão local

#Caso de uso: quando mudar para PaddleOCR

Faturamento e contabilidade

Uma fatura digitalizada raramente fica perfeitamente alinhada; a estrutura da tabela (quantidade, preço unitário, IVA) deve permanecer legível para que os valores mantenham seu sentido, em vez de acabarem em uma linha de números isolados.

Dossiês administrativos multilíngues

Formulários, documentos de identidade, cartas em vários sistemas de escrita: a ampla cobertura de idiomas do PaddleOCR evita a necessidade de configurar um motor diferente por país ou por alfabeto.

Relatórios longos para um RAG

Um relatório de dezenas de páginas com títulos, subtítulos e tabelas ganha com a conversão mantendo sua estrutura: um corte que respeita as seções é melhor que um corte por número de caracteres.

Arquivos digitalizados de forma desorganizada

Caixas de documentos em papel digitalizados sem cuidado, com orientação aleatória: a etapa de classificação da orientação resolve a maior parte da desorganização antes mesmo da leitura.

Volume elevado e texto limpo

Por outro lado, um fluxo de cupons fiscais ou extratos já bem enquadrados, em grande volume, costuma ser mais bem atendido por um mecanismo mais leve — veja a comparação com o Tesseract acima.

#Instalar e iniciar a primeira extração

A instalação é feita via pip, com uma particularidade: desde a série 3.x, o pacote paddleocr não basta sozinho. A documentação pede que você instale primeiro o motor de inferência escolhido (por padrão, PaddlePaddle) e depois o pacote paddleocr. Os pesos dos modelos de detecção, reconhecimento e, quando aplicável, análise de layout são baixados na primeira execução de cada pipeline utilizado.

1. 01
   Instalar a biblioteca

   Instalar primeiro o PaddlePaddle seguindo a página oficial de instalação (a variante CPU ou GPU conforme a máquina), depois executar python -m pip install paddleocr. O pacote básico aceita Python 3.8 ou superior; os extras para análise de documentos (paddleocr[doc-parser]) exigem Python 3.9 ou superior.
2. 02
   Iniciar a primeira extração

   O comando paddleocr ocr recebe uma imagem como entrada (opção -i) e escreve os resultados no diretório indicado por --save_path. Para converter uma página em Markdown com PaddleOCR-VL, o comando é paddleocr doc_parser, com as mesmas opções -i e --save_path.
3. 03
   Ativar etapas úteis

   As opções use_doc_orientation_classify, use_doc_unwarping e use_textline_orientation ativam a correção de uma página ou linha desalinhada. Em digitalizações limpas, defini-las como False acelera o processamento; a documentação oficial, inclusive, recomenda desativar funções desnecessárias quando a inferência é muito lenta.

python -m pip install paddleocr
paddleocr ocr -i ./facture.jpg --use_doc_orientation_classify True --use_textline_orientation True --save_path ./output

#O que consome

O projeto não publica uma taxa de processamento universal por página: ela depende da densidade do documento, das etapas ativadas e do hardware, e a documentação recomenda desativar funções desnecessárias ou escolher modelos mais leves quando a inferência for lenta. Meça em cerca de vinte de suas páginas antes de extrapolar para um corpus. Para o PaddleOCR-VL, a documentação oficial especifica os pré-requisitos de GPU NVIDIA (PaddlePaddle: capacidade computacional 7.0 ou superior e CUDA 11.8 ou superior; vLLM: 8.0 ou superior e CUDA 12.6 ou superior) e também prevê uma opção para processadores x64. Os pesos são baixados uma vez e depois tudo fica local: sem API, sem custo por página.

#O argumento decisivo: sem invenção

PaddleOCR lê pixels. Pode ler um caractere incorretamente, e uma substituição de dígito nem sempre é perceptível. Um modelo de visão generalista solicitado a transcrever um documento pode gerar um valor bem formado, plausível e ausente da página — e nada na saída indica isso. PaddleOCR-VL exige mais cuidado: como gera o texto em vez de lê-lo região por região, pertence à mesma família de riscos que os modelos de visão generalistas, mesmo sendo treinado para transcrição. Nenhum sistema está imune a um erro em um caractere ambíguo.

Para controle documental, contabilidade ou qualquer coisa que precise ser auditável, essa diferença deve orientar a escolha: um motor de OCR dedicado para os números em que você vai se basear, um modelo de visão generalista quando você quer que o documento seja explicado em vez de transcrito. Em documentos de grande importância, usar os dois e comparar continua sendo a terceira opção legítima.

Na prática, a verificação não exige ler tudo de novo. Uma amostra de algumas dezenas de documentos por lote, comparada manualmente com a saída do motor, é suficiente para detectar um desvio sistemático — um campo mal delimitado, um idioma mal reconhecido, uma tabela frequentemente mal dividida — antes que ele contamine milhares de páginas processadas automaticamente.

• Fonte: repositório oficial do PaddleOCR no GitHub
• Fonte: ficha do modelo PaddleOCR-VL-1.6
• Fonte: comparativo independente do PaddleOCR-VL executado localmente

#FAQ