PaddleOCR 3.5:Transformers バックエンドで OCR と文書解析タスクを実行
2026 年 5 月 18 日公開
PaddleOCR 3.5 により、OCR と文書解析タスクが Hugging Face エコシステムへ、これまで以上に密接に統合されました。今回のリリースでは、対応する PaddleOCR モデルを以下のパラメータを設定することで、Hugging Face Transformers を推論バックエンドとして実行できます。
engine="transformers"PaddleOCR は引き続き PP-OCRv5 などの OCR モデル群や、PaddleOCR-VL 1.5 などの文書解析モデル群を提供しており、Transformers はこれらのモデルを実行するための対応バックエンドの 1 つになりました。
Hugging Face Spaces 上のオンラインデモを試す: https://huggingface.co/spaces/PaddlePaddle/paddleocr-3.5-transformers-demo
何が変わったのか?
PaddleOCR 3.5 では、より柔軟な推論エンジンのインターフェースが導入されました。開発者は engine パラメータでバックエンドを選択し、engine_config を通じてバックエンド固有のオプションを渡せます。
実際には、次のような意味があります。
- これらのタスクを支えるパイプラインは PaddleOCR が管理するため、開発者が内部の各コンポーネントを個別に呼び出す必要はありません。
- Transformers が対応する推論バックエンドの 1 つとなり、対応する PaddleOCR モデルを実行できます。
- 開発者は
engine_configで、dtype、デバイス配置、アテンション実装方式などのバックエンド関連オプションを設定できます。
全体の技術スタックは、以下のように捉えると分かりやすいでしょう。
| 層 | 意味 | 例 |
|---|---|---|
| アプリケーション層 | OCR や文書解析の出力を利用するアプリケーション | RAG、エージェント、Document AI… |
| モデル層 | OCR および文書解析の機能 | PP-OCRv5、PaddleOCR-VL 1.5… |
| 推論バックエンド層 | 対応モデルを実行するランタイム | Paddle 静的グラフ、Paddle 動的グラフ、Transformers |
今回のリリースで主に変わるのは推論バックエンド層です。PaddleOCR は引き続き OCR と文書解析の機能を提供し、Transformers は対応する PaddleOCR モデルに対する新たなバックエンド विकल्पとして、Hugging Face 中心の環境にも自然に組み込めます。より広い意味での Document AI ワークフローは、これまで通り開発者とアプリケーション構築者が制御します。
なぜ重要なのか
RAG、Document AI、文書エージェントのアプリケーションでは、難所は LLM の前段階から始まっていることが少なくありません。
開発者はまず、PDF、スキャン文書、スクリーンショット、表、図表、数式、そして複雑なページレイアウトを、信頼できる構造化データへ変換する必要があります。この取り込み(ingestion)の品質が低いと、その後の文書解析の効果も大きく損なわれます。