PP-OCRv6-Small
轻量文字检测与识别管线，提取图像中的文字、置信度及位置，适合文档和工业读码。
模型简介
PP-OCRv6-Small 是 Model Farm 收录的轻量文字识别方案，组合文本检测与文本识别模型。流程先定位图像中的文字区域，再裁剪、校正并识别字符，输出文字、置信度与四边形位置。
该部署包包含多个阶段，检测输入与识别输入尺寸不同。需要同时使用包内的检测模型、识别模型和字符字典，不能只替换单个权重而保持其他配置不变。面向工业铭牌、票据或拍摄文档时，应使用真实样本验证。
完整 OCR 管线
连接文本区域检测、裁剪与识别，保留文字位置信息。
轻量双阶段
官网规格为检测 480 × 480、识别 48 × 320，部署时分别配置。
结构化结果
文字与坐标可作为检索、表单提取与后续业务规则的输入。
适用场景
部署配置与性能
| 部署精度 | 部署状态 | 后端 |
|---|---|---|
| IQ-9075 EVKQCS9075 · Dragonwing IQ9 | ||
| 已部署，未实测 | QNN 2.36 | |
| A8625MY1QCS8625 | ||
| 已部署，未实测 | QNN 2.40 | |
| 犀牛派 X1QCS8550 | ||
| 已部署，未实测 | QNN 2.40 | |
| 犀牛派 A1QCS6490 | ||
| — | 需适配 · Model Farm 尚无本板卡的可加载构建 | — |
IQ-9075 EVKQCS9075
已部署，未实测
A8625MY1QCS8625
已部署，未实测
犀牛派 X1QCS8550
已部署，未实测
犀牛派 A1QCS6490
需适配 · Model Farm 尚无本板卡的可加载构建
时延为模型单次推理耗时，不含前后处理；所有数字为真机实测。
部署指南
以下步骤基于官方部署文档整理，请以资源包内 README 与实际查询结果为准。
开始之前
- 一块与所选 SoC 一致的开发板，以及可用的终端与网络连接。
- 使用与模型包匹配的系统镜像、推理 SDK 和后端版本。
- Model Farm 账号及板卡内置 MMS 工具；首次使用需完成账号登录。
- 1
检查环境并登录
在目标板卡终端中运行。若没有 mms，请先参考下方 MMS 文档完成系统组件准备。
command -v mms mms login - 2
查询可用模型构建
核对查询结果中的模型名称、芯片、精度与后端版本。以实际返回值为准。
mms list 'PP-OCRv6-Small' - 3
获取对应资源包
下方命令跟随当前板卡与精度生成。下载前确认查询结果中存在同一配置。
mms get -m 'PP-OCRv6-Small' -p fp16 -c qcs9075 -b 'qnn2.36' -d ./pp-ocrv6-small - 4
解压并检查资源目录
进入刚才下载的目录，解压 ZIP 并找到包内说明。资源包可能自带一层目录，后续命令应在 README 指定的工作目录执行。
cd ./pp-ocrv6-small for archive in ./*.zip; do [ -f "$archive" ] || continue unzip -n "$archive" done find . -maxdepth 4 -iname "*readme*" - 5
准备输入与运行环境
准备含中英文与数字的图片。检查包内检测模型、识别模型和字典是否配套，并分别设置检测与识别输入尺寸。
python3 -c "import aidlite; print(aidlite.get_library_version())" - 6
运行官方示例
按照资源包说明运行完整检测→裁剪校正→识别流程。保留检测框及识别置信度，将每个文本区域映射回原图；按业务需要再做阅读顺序排序。 选择犀牛派 X1 / FP16 时，下方给出官方示例，需在解压后的 code 目录执行；先核对两个模型文件名是否与当前下载包一致。输出为 ocr.json 与 ocr.png。
验证与注意事项
- 检查旋转、透视、反光和小字号文字，确认裁剪不会截断字符。
- 分别评估检测召回率与文字识别准确率；整条 OCR 管线耗时还取决于文字框数量。
- 字段抽取与阅读顺序属于后续处理，不能仅凭 OCR 文字输出判断表单理解已完成。
数据来源
- superweb Model Farm 支持矩阵核对于 2026-11-03
- APLUX Model Farm · PP-OCRv6-Small ↗核对于 2026-11-15