近日，百度发布了PP-ChatOCRv3，基于数据融合技术，提供了OCR模型的二次开发功能，大幅提升了模型的微调能力。该技术将百万级高质量的通用OCR数据与垂直领域的模型训练数据按特定比例融合，解决了传统行业模型训练过程中，通用文本识别能力减弱的难题。这一突破性技术在自动化办公、金融风控、医疗健康等多个行业场景中都有广泛的应用潜力。

当然，使用这一创新技术仍需要一定的学习成本，但凭借其低代码开发能力，相信很快就能上手，构建更优质的文档解析组件，并为RAG（检索增强生成）提供高质量的知识库支持。为此，我们将通过百度飞桨平台的低代码开发工具PaddleX，探索如何更轻松地开发和部署这一先进技术。接下来，让我们详细了解PaddleX的核心能力，看看它能为文档解析带来怎样的提升。

新特性

• 飞桨低代码开发工具PaddleX，依托于PaddleOCR的先进技术，支持了OCR领域的低代码全流程开发能力：

• 模型丰富一键调用：将文本图像智能分析、通用OCR、通用版面解析、通用表格识别、公式识别、印章文本识别涉及的17个模型整合为6条模型产线，通过极简的Python API一键调用，快速体验模型效果。此外，同一套API，也支持图像分类、目标检测、图像分割、时序预测等共计200+模型，形成20+单功能模块，方便开发者进行模型组合使用。

• 提高效率降低门槛：提供基于统一命令和图形界面两种方式，实现模型简洁高效的使用、组合与定制。支持高性能推理、服务化部署和端侧部署等多种部署方式。此外，对于各种主流硬件如英伟达GPU、昆仑芯、昇腾、寒武纪和海光等，进行模型开发时，都可以无缝切换。

• 支持文档场景信息抽取v3(PP-ChatOCRv3-doc)、基于RT-DETR的高精度版面区域检测模型和PicoDet的高效率版面区域检测模型、高精度表格结构识别模型SLANet_Plus、文本图像矫正模型UVDoc、公式识别模型LatexOCR、基于PP-LCNet的文档图像方向分类模型。

今天我们重点讲文档场景信息抽取v3，文档场景信息抽取v3（PP-ChatOCRv3）是飞桨特色的文档和图像智能分析解决方案，结合了 LLM 和 OCR 技术，一站式解决版面分析、生僻字、多页 pdf、表格、印章识别等常见的复杂文档信息抽取难点问题，结合文心大模型将海量数据和知识相融合，准确率高且应用广泛。

文档场景信息抽取v3中包含表格结构识别模块、版面区域检测模块、文本检测模块、文本识别模块、印章文本检测模块、文本图像矫正模块、文档图像方向分类模块。

开发体验

飞桨为文档场景信息抽取V3提供了两种使用方式：在线使用和二次开发。

如果使用在线方案，您只能调用飞桨已经训练好的模型，适用于默认模型在您的应用场景中能够满足精度或速度需求的情况。如果现有模型不理想，飞浆还支持您通过二次开发的方式，利用自己特定领域的数据进行模型微调。这种方法能够进一步提升在行业场景中的表格识别效果，实现更精准的文档信息抽取，满足更复杂的业务需求。

实现二次开发：

• PaddlePaddle本地安装

pip install paddlepaddle==3.0.0b1 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

安装完成后，使用以下命令可以验证 PaddlePaddle 是否安装成功：

python -c "import paddle; print(paddle.__version__)"

如果输出以下内容，说明已成功安装。

3.0.0-beta1

• 获取PaddleX并安装

执行以下命令获取源码：

git clone https://github.com/PaddlePaddle/PaddleX.git

如果访问 GitHub 网速较慢，可以从 Gitee 下载，命令如下：

git clone https://gitee.com/paddlepaddle/PaddleX.git

获取 PaddleX 最新源码之后，您可以选择Wheel包安装模式或插件安装模式。

Wheel包安装模式：

cd PaddleX

# 安装 PaddleX whl
# -e：以可编辑模式安装，当前项目的代码更改，都会直接作用到已经安装的 PaddleX Wheel
pip install -e .

推理预测

要创建一个表格识别的应用程序，并验证其发布是否如百度飞桨所说的那样简单，可以按照以下步骤进行操作。首先，使用 PyCharm 打开 PaddleX 项目，然后在项目中创建一个 APP 目录，接着在该目录中创建一个名为 TableRes 的文件。接下来，编写相应的代码来实现表格识别功能。通过这种方式，可以快速验证 PaddleX 的表格识别是否方便易用，并且与文档描述一致地提供高效的表格处理能力。

from paddlex import create_model
model = create_model("SLANet")
output = model.predict("table_recognition.jpg", batch_size=1)
for res in output:
    res.print(json_format=False)
    res.save_to_img("./output/")
    res.save_to_json("./output/res.json")

简单来说，只需三步：

• 调用create_model()方法实例化预测模型对象；

• 调用预测模型对象的predict()方法进行推理预测；

• 调用print()、save_to_xxx()等相关方法对预测结果进行可视化或是保存。

图片table_recognition.jpg如下图：

执行TableRes，效果如下：

执行代码后生成output目录，目录下有两个文件：

• res.json，保存识别表格后的json格式数据。

• table_recognition.jpg，可视化识别图片。

json格式数据如下图：

可视化识别结构：

总结

经过实际体验，PaddleX 的安装和发布确实比以往的开源项目 PaddleOCR 要简便许多。完成安装后，您不仅获得了 PaddleOCR 的功能，还同时集成了六大模块，包括 'PaddleDetection', 'PaddleClas', 'PaddleTS', 'PaddleSeg', 'PaddleNLP', 和 'PaddleOCR'。这种“一站式”安装让开发更加高效，不需要单独为每个模块设置环境，非常适合需要多任务处理的开发者，极大简化了复杂项目的启动流程。

---

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓