PaddleOCRの使い方：Pythonで日本語の書類を読み、Tesseractと比べる

docker run -d --name paddleocr-japanese-ocr-python-lab --hostname nagoyadevlab01 --memory 4g --memory-swap 4g --cpus 2 python:3.12.15-slim-trixie sleep infinity
docker image inspect python:3.12.15-slim-trixie --format '{{index .RepoDigests 0}}'
python@sha256:a0f57064cbdcd6285fa45f51237ab0b35ea8ebaed06a1f5973e89e19dfb86704

apt-get update -qq && DEBIAN_FRONTEND=noninteractive apt-get install -y -qq --no-install-recommends fonts-ipaexfont-gothic fonts-ipaexfont-mincho time >/dev/null 2>&1; echo "exit=$?"
exit=0
useradd -m -s /bin/bash ryoma && id ryoma
uid=1000(ryoma) gid=1000(ryoma) groups=1000(ryoma)
cat /etc/debian_version; python3 --version; nproc; cat /sys/fs/cgroup/cpu.max; grep -m1 'model name' /proc/cpuinfo
13.7
Python 3.12.15
4
200000 100000
model name	: AMD EPYC 7713 64-Core Processor

python3 -m venv ~/venv
. ~/venv/bin/activate
pip install -q paddlepaddle==3.2.2 paddleocr==3.7.0 paddlex==3.7.2 pillow==13.0.0; echo "exit=$?"

[notice] A new release of pip is available: 25.0.1 -> 26.2.2
[notice] To update, run: pip install --upgrade pip
exit=0
pip list 2>/dev/null | grep -iE '^(paddle|opencv|numpy|pillow|huggingface)'
huggingface_hub       2.4.0
numpy                 2.3.5
opencv-contrib-python 4.10.0.84
paddleocr             3.7.0
paddlepaddle          3.2.2
paddlex               3.7.2
pillow                13.0.0
pip show paddleocr | grep -E "^(Version|Requires):"
Version: 3.7.0
Requires: aiohttp, paddlex, PyYAML, requests, typing-extensions
du -sh ~/venv
1.3G	/home/ryoma/venv

python -c "import paddleocr"
Traceback (most recent call last):
  File "<string>", line 1, in <module>
…（中略）…
ImportError: libGL.so.1: cannot open shared object file: No such file or directory

ldd ~/venv/lib/python3.12/site-packages/cv2/cv2.abi3.so ~/venv/lib/python3.12/site-packages/paddle/base/libpaddle.so | grep "not found" | sort -u
	libGL.so.1 => not found
	libglib-2.0.so.0 => not found
	libgomp.so.1 => not found
	libgthread-2.0.so.0 => not found

DEBIAN_FRONTEND=noninteractive apt-get install -y -qq --no-install-recommends libgl1 libglib2.0-0t64 libgomp1 >/dev/null 2>&1; echo "exit=$?"
exit=0

python -c "import paddle, paddleocr, paddlex; print(paddle.__version__, paddleocr.__version__, paddlex.__version__)"
3.2.2 3.7.0 3.7.2

mkdir -p ~/paddle-lab && cd ~/paddle-lab
cat > make_docs.py <<'EOF'
"""PaddleOCRとTesseractの比較用に、正解テキストつきの日本語文書画像を作る（文面はすべて架空の例）"""
import random

from PIL import Image, ImageDraw, ImageFilter, ImageFont

GOTHIC = "/usr/share/fonts/opentype/ipaexfont-gothic/ipaexg.ttf"
MINCHO = "/usr/share/fonts/opentype/ipaexfont-mincho/ipaexm.ttf"
W, H = 2480, 3508  # A4を300dpiで取り込んだときの画素数


# レイアウトエンジンをBASICに固定する。既定（Pillowの自動選択）だと、libfribidiが入っているかどうかで
# 文字の並べ方が変わり、同じスクリプトでも画像のハッシュ値が変わる
def font(path, size):
    return ImageFont.truetype(path, size, layout_engine=ImageFont.Layout.BASIC)


g40, g64 = font(GOTHIC, 40), font(GOTHIC, 64)
m42, m60 = font(MINCHO, 42), font(MINCHO, 60)


def save(img, name, lines):
    img.save(f"{name}.png", dpi=(300, 300))
    with open(f"{name}.txt", "w", encoding="utf-8") as fh:
        fh.write("\n".join(lines) + "\n")


def wrap(text, font, width):
    """幅widthを超える手前で折り返す。句読点と閉じ括弧は行頭に置かない。"""
    out, cur = [], ""
    for ch in text:
        if cur and font.getlength(cur + ch) > width and ch not in "、。」）":
            out.append(cur)
            cur = ""
        cur += ch
    return out + [cur]


# form: 罫線つきの申請書（ラベル欄は薄い灰色）
FORM = [("申請日", "2026年11月5日"), ("申請者", "経理課 高橋 美咲"), ("内線番号", "3125"),
        ("貸出機器", "ノートPC（ThinkPad X13 Gen 4）"), ("資産番号", "IT-2024-0387"),
        ("貸出期間", "2026年11月10日〜2026年11月21日"), ("利用目的", "出張先での経費精算と会議資料の作成"),
        ("付属品", "ACアダプター、USB-C変換アダプター"), ("承認者", "情報システム課長")]
img = Image.new("L", (W, H), 255)
d = ImageDraw.Draw(img)
d.text((240, 220), "機器貸出申請書", font=g64, fill=0)
y = 420
for label, value in FORM:
    d.rectangle([240, y, 760, y + 120], fill=230, outline=0, width=3)
    d.rectangle([760, y, 2240, y + 120], outline=0, width=3)
    d.text((280, y + 38), label, font=g40, fill=0)
    d.text((800, y + 38), value, font=g40, fill=0)
    y += 120
save(img, "form", ["機器貸出申請書"] + [f"{a} {b}" for a, b in FORM])

# notice: 明朝体の文章（お知らせ）
TITLE = "複合機の入れ替えと印刷設定の変更について"
PARAS = [
    "12月1日（月）から、本社2階と4階の複合機を新しい機種に入れ替えます。入れ替えの後は、印刷のたびに社員証を"
    "カードリーダーにかざす「認証印刷」が必須になり、かざさなかった印刷データは24時間で自動的に削除されます。",
    "新しいプリンタードライバーは、11月25日までに資産管理ツールから各PCへ配布します。配布が終わったPCでは、"
    "プリンターの一覧に「HQ-2F-Color」と「HQ-4F-Mono」が表示されます。古いプリンターの登録は入れ替えの当日に削除します。",
    "カラー印刷は部署ごとに月500枚までを目安とし、超えた分は翌月の部門費に計上します。スキャンした文書はこれまでどおり"
    "共有フォルダの「scan」に保存されますが、ファイル名の形式が「日付_時刻_番号.pdf」に変わります。"
    "不明な点は情報システム課（内線2210）までお問い合わせください。",
]
img = Image.new("L", (W, H), 255)
d = ImageDraw.Draw(img)
d.text((240, 260), TITLE, font=m60, fill=0)
y, lines = 440, [TITLE]
for para in PARAS:
    for line in wrap(para, m42, 2000):
        d.text((240, y), line, font=m42, fill=0)
        lines.append(line)
        y += 70
    y += 35
save(img, "notice", lines)
notice = img

# mixed: 数字・記号・半角カナ・全角英数が混ざった行
MIXED = ["型番：FX-3200B／シリアル：SN7Q4K-0921", "IPアドレス：192.168.20.15 ゲートウェイ：192.168.20.1",
         "MACアドレス：3C:52:82:A1:7F:0E", "問い合わせ：[email protected] 内線2210",
         "発注日：2026/11/05 納期：2026/12/01", "単価：¥48,600（税込）×3台＝¥145,800",
         "ﾊﾟｽﾜｰﾄﾞﾘｾｯﾄ手順（半角カナ）", "全角英数：ＡＢＣ１２３ 半角英数：ABC123",
         "ライセンスキー：K7Q2-L0O1-I9XZ"]
img = Image.new("L", (W, 1400), 255)
d = ImageDraw.Draw(img)
for i, line in enumerate(MIXED):
    d.text((240, 160 + i * 120), line, font=g40, fill=0)
save(img, "mixed", MIXED)

# scan: noticeを2度傾け、150dpi相当に縮小し、ノイズとぼかしを加えた「質の悪いスキャン」
rnd = random.Random(20261030)
img = notice.rotate(2, resample=Image.BICUBIC, fillcolor=255).resize((W // 2, H // 2), Image.LANCZOS)
px = img.load()
for _ in range(img.width * img.height // 50):  # 全画素の2%を灰色の点に置き換える
    px[rnd.randrange(img.width), rnd.randrange(img.height)] = rnd.choice((90, 170))
img = img.filter(ImageFilter.GaussianBlur(0.8))
img.save("scan.png", dpi=(150, 150))
with open("scan.txt", "w", encoding="utf-8") as fh:
    fh.write("\n".join(lines) + "\n")
EOF

python make_docs.py && sha256sum *.png
667f6ee656e2ec730b6d032f39ea2306d0be724debd0634b8dc794b5a666d11b  form.png
cb05856028ee218164e9ecb694d28e79f6612dd0adf893e76377a86b53a639f5  mixed.png
32d3dbdc1141b37aec01b81d5c0429a93a5f109dfcc8eba86713271a338152aa  notice.png
bb4eb232bd11e09df3eac4e1a490266cc7a87200033fd73e07162b8ba2e78baf  scan.png
cat mixed.txt
型番：FX-3200B／シリアル：SN7Q4K-0921
IPアドレス：192.168.20.15 ゲートウェイ：192.168.20.1
MACアドレス：3C:52:82:A1:7F:0E
問い合わせ：[email protected] 内線2210
発注日：2026/11/05 納期：2026/12/01
単価：¥48,600（税込）×3台＝¥145,800
ﾊﾟｽﾜｰﾄﾞﾘｾｯﾄ手順（半角カナ）
全角英数：ＡＢＣ１２３ 半角英数：ABC123
ライセンスキー：K7Q2-L0O1-I9XZ

paddleocr ocr -i mixed.png --lang japan --use_doc_orientation_classify False --use_doc_unwarping False --use_textline_orientation False --cpu_threads 2 --save_path out
Creating model: ('PP-OCRv6_medium_det', None, None)
Checking connectivity to the model hosters, this may take a while. To bypass this check, set `PADDLE_PDX_DISABLE_MODEL_SOURCE_CHECK` to `True`.
Using official model (PP-OCRv6_medium_det), the model files will be automatically downloaded and saved in `/home/ryoma/.paddlex/official_models/PP-OCRv6_medium_det`.
Creating model: ('PP-OCRv6_medium_rec', None, None)
Using official model (PP-OCRv6_medium_rec), the model files will be automatically downloaded and saved in `/home/ryoma/.paddlex/official_models/PP-OCRv6_medium_rec`.
ReduceMeanCheckIfOneDNNSupport
[2026/10/30 22:50:28] paddleocr INFO: Processed item 0 in 11172.138214111328 ms
…（認識結果の辞書の表示は省略）…
Connecting to https://paddle-model-ecology.bj.bcebos.com/paddlex/PaddleX3.0/fonts/simfang.ttf ...
Downloading simfang.ttf ...

ls out; du -sh ~/.paddlex/official_models/* ~/.paddlex/fonts
mixed_ocr_res_img.png
mixed_res.json
60M	/home/ryoma/.paddlex/official_models/PP-OCRv6_medium_det
74M	/home/ryoma/.paddlex/official_models/PP-OCRv6_medium_rec
11M	/home/ryoma/.paddlex/fonts
ls ~/.paddlex/official_models/PP-OCRv6_medium_rec
README.md
inference.json
inference.pdiparams
inference.yml
python -c 'import json; d = json.load(open("out/mixed_res.json")); print(sorted(d)); print(d["rec_texts"][0], round(d["rec_scores"][0], 3), d["rec_boxes"][0])'
['dt_polys', 'input_path', 'model_settings', 'page_index', 'rec_boxes', 'rec_polys', 'rec_scores', 'rec_texts', 'return_word_box', 'text_det_params', 'text_rec_score_thresh', 'text_type', 'textline_orientation_angles']
型番：FX-3200B／シリアル：SN7Q4K-0921 0.981 [239, 160, 1061, 200]

cat > ocr_paddle.py <<'EOF'
"""PaddleOCRで画像を読み、行ごとの文字・信頼度・座標を <名前>.<tag>.json に、文字だけを <名前>.<tag>.txt に書く。
使い方: python ocr_paddle.py [--threads N] [--tier medium|small] [--preprocess] [--tag 印] 画像..."""
import argparse
import json
import resource
import time

from paddleocr import PaddleOCR

ap = argparse.ArgumentParser()
ap.add_argument("images", nargs="+")
ap.add_argument("--threads", type=int, help="CPUの推論スレッド数（省略時はPaddleOCRの既定値）")
ap.add_argument("--tier", choices=["medium", "small"], default="medium", help="PP-OCRv6のモデルの大きさ")
ap.add_argument("--preprocess", action="store_true", help="向き判定・歪み補正・行の向き判定を有効にする")
ap.add_argument("--tag", default="paddle", help="出力ファイル名に付ける印")
a = ap.parse_args()

opts = {
    "lang": "japan",
    "use_doc_orientation_classify": a.preprocess,  # ページ全体の向き（0/90/180/270度）を判定して回す
    "use_doc_unwarping": a.preprocess,             # 撮影で曲がった紙をまっすぐに補正する（UVDoc）
    "use_textline_orientation": a.preprocess,      # 行ごとに上下逆さかを判定する
}
if a.tier == "small":
    opts["text_detection_model_name"] = "PP-OCRv6_small_det"
    opts["text_recognition_model_name"] = "PP-OCRv6_small_rec"
if a.threads:
    opts["cpu_threads"] = a.threads

t0 = time.perf_counter()
ocr = PaddleOCR(**opts)
print(f"モデル読み込み {time.perf_counter() - t0:.1f}秒", flush=True)

for path in a.images:
    t = time.perf_counter()
    res = ocr.predict(path)[0]
    sec = time.perf_counter() - t
    rows = [{"text": s, "score": round(float(c), 3), "box": [int(v) for v in b]}
            for s, c, b in zip(res["rec_texts"], res["rec_scores"], res["rec_boxes"])]
    stem = path.rsplit(".", 1)[0]
    with open(f"{stem}.{a.tag}.json", "w", encoding="utf-8") as fh:   # 1行に1要素のJSON配列
        fh.write("[\n" + ",\n".join(json.dumps(r, ensure_ascii=False) for r in rows) + "\n]\n")
    with open(f"{stem}.{a.tag}.txt", "w", encoding="utf-8") as fh:
        fh.write("\n".join(r["text"] for r in rows) + "\n")
    print(f"{path}: {len(rows)}行 {sec:.1f}秒", flush=True)

peak = resource.getrusage(resource.RUSAGE_SELF).ru_maxrss // 1024
print(f"最大メモリ（RSS） {peak} MiB", flush=True)
EOF

python ocr_paddle.py --threads 2 form.png notice.png mixed.png scan.png | grep -v ReduceMean
Creating model: ('PP-OCRv6_medium_det', None, None)
Model files already exist. Using cached files. To redownload, please delete the directory manually: `/home/ryoma/.paddlex/official_models/PP-OCRv6_medium_det`.
Creating model: ('PP-OCRv6_medium_rec', None, None)
Model files already exist. Using cached files. To redownload, please delete the directory manually: `/home/ryoma/.paddlex/official_models/PP-OCRv6_medium_rec`.
モデル読み込み 2.4秒
form.png: 19行 24.1秒
notice.png: 10行 26.9秒
mixed.png: 9行 11.9秒
scan.png: 10行 12.2秒
最大メモリ（RSS） 3724 MiB

head -n 4 form.paddle.json
[
{"text": "機器貸出申請書", "score": 1.0, "box": [236, 217, 689, 286]},
{"text": "申請日", "score": 0.999, "box": [276, 450, 401, 505]},
{"text": "2026年11月5日", "score": 1.0, "box": [798, 455, 1093, 499]},
python -c 'import json, sys; [print(r["score"], r["text"]) for f in sys.argv[1:] for r in json.load(open(f)) if r["score"] < 0.95]' form.paddle.json notice.paddle.json mixed.paddle.json scan.paddle.json
0.922 経理課 高橋 美咲
0.876 資産番号
0.942 単価：¥48,600（税込）×3台=¥145,800
0.924 ハ°スワードリセット手順（半角カナ）
grep -E "PC|〜|～" form.paddle.json
{"text": "ノ—卜PC (ThinkPad X13 Gen 4)", "score": 0.968, "box": [804, 814, 1419, 861]},
{"text": "2026年11月10日～2026年11月21日", "score": 0.995, "box": [798, 1056, 1476, 1100]},

cat > cer.py <<'EOF'
"""文字誤り率（CER）= 正解に直すのに要る挿入・削除・置換の回数 ÷ 正解の文字数。
空白と改行は比べる前に取り除く。NFKC= は全角・半角の違いをUnicodeのNFKC正規化でそろえてから数えた値。
使い方: python cer.py 正解.txt 結果.txt（- なら標準入力） [ラベル] [-v]"""
import sys
import unicodedata
from difflib import SequenceMatcher


def squash(text, nfkc=False):
    if nfkc:
        text = unicodedata.normalize("NFKC", text)
    return "".join(text.split())


def edit_distance(a, b):
    row = list(range(len(b) + 1))
    for i, ca in enumerate(a, 1):
        diag, row[0] = row[0], i
        for j, cb in enumerate(b, 1):
            diag, row[j] = row[j], min(row[j] + 1, row[j - 1] + 1, diag + (ca != cb))
    return row[-1]


args = [x for x in sys.argv[1:] if x != "-v"]
ref_text = open(args[0], encoding="utf-8").read()
hyp_text = sys.stdin.read() if args[1] == "-" else open(args[1], encoding="utf-8").read()
label = args[2] if len(args) > 2 else args[1]

ref, hyp = squash(ref_text), squash(hyp_text)
d = edit_distance(ref, hyp)
dn = edit_distance(squash(ref_text, True), squash(hyp_text, True))
print(f"{label:<8} CER={100 * d / len(ref):6.2f}%  NFKC={100 * dn / len(squash(ref_text, True)):6.2f}%  誤り {d}/{len(ref)}字")
if "-v" in sys.argv:
    for op, i1, i2, j1, j2 in SequenceMatcher(None, ref, hyp, autojunk=False).get_opcodes():
        if op != "equal":
            print(f"   正解「{ref[i1:i2]}」→ 結果「{hyp[j1:j2]}」")
EOF

for f in form notice mixed scan; do python cer.py $f.txt $f.paddle.txt $f; done
form     CER=  3.09%  NFKC=  1.85%  誤り 5/162字
notice   CER=  0.00%  NFKC=  0.00%  誤り 0/393字
mixed    CER=  7.44%  NFKC=  0.83%  誤り 18/242字
scan     CER=  0.25%  NFKC=  0.25%  誤り 1/393字
python cer.py form.txt form.paddle.txt form -v; python cer.py mixed.txt mixed.paddle.txt mixed -v
form     CER=  3.09%  NFKC=  1.85%  誤り 5/162字
   正解「ート」→ 結果「—卜」
   正解「（」→ 結果「(」
   正解「）」→ 結果「)」
   正解「〜」→ 結果「～」
mixed    CER=  7.44%  NFKC=  0.83%  誤り 18/242字
   正解「＝」→ 結果「=」
   正解「ﾊﾟｽﾜｰﾄﾞﾘｾｯﾄ」→ 結果「ハ°スワードリセット」
   正解「ＡＢＣ１２３」→ 結果「ABC123」

DEBIAN_FRONTEND=noninteractive apt-get install -y -qq --no-install-recommends tesseract-ocr tesseract-ocr-jpn >/dev/null 2>&1; echo "exit=$?"
exit=0
dpkg-query -W fonts-ipaexfont-gothic fonts-ipaexfont-mincho libgl1 libglib2.0-0t64 libgomp1 tesseract-ocr tesseract-ocr-jpn time
fonts-ipaexfont-gothic	00401-5
fonts-ipaexfont-mincho	00401-5
libgl1:amd64	1.7.0-1+b2
libglib2.0-0t64:amd64	2.84.4-3~deb13u5
libgomp1:amd64	14.2.0-19
tesseract-ocr	5.5.0-1+b1
tesseract-ocr-jpn	1:4.1.0-2
time	1.9-0.2

tesseract --version | head -n 1
tesseract 5.5.0
for f in form notice mixed scan; do tesseract $f.png $f.tess -l jpn 2>/dev/null; python cer.py $f.txt $f.tess.txt $f; done
form     CER=  3.09%  NFKC=  1.85%  誤り 5/162字
notice   CER=  2.29%  NFKC=  1.27%  誤り 9/393字
mixed    CER= 16.12%  NFKC=  4.17%  誤り 39/242字
scan     CER= 15.27%  NFKC= 14.25%  誤り 60/393字
python cer.py mixed.txt mixed.tess.txt mixed -v; python cer.py scan.txt scan.tess.txt scan -v | head -n 8
mixed    CER= 16.12%  NFKC=  4.17%  誤り 39/242字
   正解「：」→ 結果「:」
   正解「／」→ 結果「8プ」
   正解「：¥」→ 結果「:\」
   正解「）×」→ 結果「)x」
   正解「ﾊﾟｽﾜｰﾄﾞﾘｾｯﾄ」→ 結果「パ29-ドリセ」
   正解「：ＡＢＣ１２３」→ 結果「:ABC123」
scan     CER= 15.27%  NFKC= 14.25%  誤り 60/393字
   正解「複合」→ 結果「司」
   正解「替」→ 結果「千」
   正解「設」→ 結果「」
   正解「」→ 結果「ー」

cat mixed.tess.txt
型番 : FX-3200B8プシリアル : SN7Q4K-0921
単価 : \48,600 (税込) x3台=\145,800
パ 29-ド リセ手順 (半角カナ)
全角英数 : ABC 1 23 半角英数 : ABC123

docker run --rm python:3.12.15-slim-trixie dpkg-query -W libfribidi0
dpkg-query: no packages found matching libfribidi0

apt-cache depends tesseract-ocr | grep -i pango
  Depends: libpango-1.0-0
  Depends: libpangocairo-1.0-0
dpkg-query -W libfribidi0; apt-cache rdepends --installed libfribidi0
libfribidi0:amd64	1.0.16-1
libfribidi0
Reverse Depends:
  libpango-1.0-0

python -c 'import hashlib; from PIL import Image, ImageDraw, ImageFont, features; p = "/usr/share/fonts/opentype/ipaexfont-gothic/ipaexg.ttf"; print("raqm", features.check("raqm"))
for e in (ImageFont.Layout.BASIC, ImageFont.Layout.RAQM):
    im = Image.new("L", (1200, 80), 255); ImageDraw.Draw(im).text((10, 10), "型番：FX-3200B／シリアル：SN7Q4K-0921", font=ImageFont.truetype(p, 40, layout_engine=e), fill=0); print(e.name, hashlib.sha256(im.tobytes()).hexdigest()[:16])'
raqm True
BASIC 4352b55e8b61df3b
RAQM c4aca8e3a6ee8dd7

grep -n "DEFAULT_CPU_THREADS =" ~/venv/lib/python3.12/site-packages/paddleocr/_constants.py
20:DEFAULT_CPU_THREADS = 10
python ocr_paddle.py form.png notice.png mixed.png scan.png | grep -v ReduceMean
モデル読み込み 3.0秒
form.png: 19行 32.0秒
notice.png: 10行 36.5秒
mixed.png: 9行 16.5秒
scan.png: 10行 13.6秒
最大メモリ（RSS） 3702 MiB
python ocr_paddle.py --threads 2 --tier small --tag small form.png notice.png mixed.png scan.png | grep -v ReduceMean
/home/ryoma/paddle-lab/ocr_paddle.py:31: UserWarning: `lang` and `ocr_version` will be ignored when model names or model directories are not `None`.
Using official model (PP-OCRv6_small_det), the model files will be automatically downloaded and saved in `/home/ryoma/.paddlex/official_models/PP-OCRv6_small_det`.
Using official model (PP-OCRv6_small_rec), the model files will be automatically downloaded and saved in `/home/ryoma/.paddlex/official_models/PP-OCRv6_small_rec`.
モデル読み込み 9.7秒
form.png: 19行 6.7秒
notice.png: 10行 7.4秒
mixed.png: 9行 2.8秒
scan.png: 10行 2.5秒
最大メモリ（RSS） 2157 MiB
for f in form notice mixed scan; do python cer.py $f.txt $f.small.txt $f; done
form     CER=  2.47%  NFKC=  1.23%  誤り 4/162字
notice   CER=  0.00%  NFKC=  0.00%  誤り 0/393字
mixed    CER=  8.26%  NFKC=  0.83%  誤り 20/242字
scan     CER=  1.27%  NFKC=  1.27%  誤り 5/393字
for f in form notice mixed scan; do /usr/bin/time -f "$f %e秒 %MKB" tesseract $f.png $f.tess -l jpn 2>&1 | grep 秒; done
form 0.92秒 87348KB
notice 1.50秒 90948KB
mixed 0.70秒 67968KB
scan 0.97秒 66304KB

grep -n "use_doc_orientation_classify\|use_doc_unwarping\|use_textline_orientation" ~/venv/lib/python3.12/site-packages/paddlex/configs/pipelines/OCR.yaml
7:use_textline_orientation: True
12:    use_doc_orientation_classify: True
13:    use_doc_unwarping: True

python ocr_paddle.py --threads 2 --preprocess --tag pre form.png mixed.png | grep -v ReduceMean
Creating model: ('PP-LCNet_x1_0_doc_ori', None, None)
Creating model: ('UVDoc', None, None)
Creating model: ('PP-LCNet_x1_0_textline_ori', None, None)
モデル読み込み 12.2秒
form.png: 19行 27.6秒
mixed.png: 9行 13.0秒
最大メモリ（RSS） 3687 MiB
head -n 2 mixed.paddle.json mixed.pre.json
==> mixed.paddle.json <==
[
{"text": "型番：FX-3200B／シリアル：SN7Q4K-0921", "score": 0.981, "box": [239, 160, 1061, 200]},
==> mixed.pre.json <==
[
{"text": "型番：FX-3200B／シリアル：SN7Q4K-0921", "score": 1.0, "box": [139, 137, 1028, 192]},
python cer.py form.txt form.pre.txt form -v; python cer.py mixed.txt mixed.pre.txt mixed
form     CER=  3.70%  NFKC=  2.47%  誤り 6/162字
   正解「ート」→ 結果「—卜」
   正解「（」→ 結果「(」
   正解「）」→ 結果「)」
   正解「産」→ 結果「產」
   正解「〜」→ 結果「～」
mixed    CER=  7.85%  NFKC=  0.83%  誤り 19/242字

cat > netlog.py <<'EOF'
"""Pythonのsocketが名前解決したホストと接続の回数を記録しながら、スクリプトかモジュールを実行する。
使い方: python netlog.py スクリプト.py 引数... / python netlog.py -m モジュール 引数..."""
import atexit
import runpy
import sys

hosts, connects = [], []


def hook(event, args):
    if event == "socket.getaddrinfo" and args[0] not in hosts:
        hosts.append(args[0])
        print(f"[netlog] 名前解決: {args[0]}", file=sys.stderr, flush=True)
    elif event == "socket.connect":
        connects.append(args[1])


@atexit.register
def report():
    print(f"[netlog] 名前解決したホスト {len(hosts)}件、接続 {len(connects)}回", file=sys.stderr, flush=True)


sys.addaudithook(hook)
if sys.argv[1] == "-m":
    sys.argv = sys.argv[2:]
    runpy.run_module(sys.argv[0], run_name="__main__", alter_sys=True)
else:
    sys.argv = sys.argv[1:]
    runpy.run_path(sys.argv[0], run_name="__main__")
EOF

cat > count_ink.py <<'EOF'
"""結果画像の右半分（認識した文字を描き込む側）にある暗い画素を数える。0なら文字が描かれていない。"""
import sys

from PIL import Image

for path in sys.argv[1:]:
    im = Image.open(path).convert("L")
    right = im.crop((im.width // 2, 0, im.width, im.height))
    print(path, sum(right.histogram()[:128]))
EOF

PADDLE_PDX_CACHE_HOME=/tmp/fresh python netlog.py ocr_paddle.py --threads 2 mixed.png 2>&1 | grep -E "netlog|Checking|Using official|モデル|行"
Checking connectivity to the model hosters, this may take a while. To bypass this check, set `PADDLE_PDX_DISABLE_MODEL_SOURCE_CHECK` to `True`.
[netlog] 名前解決: huggingface.co
[netlog] 名前解決: aistudio.baidu.com
[netlog] 名前解決: modelscope.cn
[netlog] 名前解決: paddle-model-ecology.bj.bcebos.com
Using official model (PP-OCRv6_medium_det), the model files will be automatically downloaded and saved in `/tmp/fresh/official_models/PP-OCRv6_medium_det`.
Using official model (PP-OCRv6_medium_rec), the model files will be automatically downloaded and saved in `/tmp/fresh/official_models/PP-OCRv6_medium_rec`.
モデル読み込み 12.1秒
mixed.png: 9行 11.5秒
[netlog] 名前解決したホスト 4件、接続 9回
PADDLE_PDX_CACHE_HOME=/tmp/fresh2 PADDLE_PDX_DISABLE_MODEL_SOURCE_CHECK=True python netlog.py ocr_paddle.py --threads 2 mixed.png 2>&1 | grep -E "netlog|skipped|Using official|モデル|行"
Connectivity check to the model hoster has been skipped because `PADDLE_PDX_DISABLE_MODEL_SOURCE_CHECK` is enabled.
Using official model (PP-OCRv6_medium_det), the model files will be automatically downloaded and saved in `/tmp/fresh2/official_models/PP-OCRv6_medium_det`.
[netlog] 名前解決: huggingface.co
Using official model (PP-OCRv6_medium_rec), the model files will be automatically downloaded and saved in `/tmp/fresh2/official_models/PP-OCRv6_medium_rec`.
モデル読み込み 8.1秒
mixed.png: 9行 10.8秒
[netlog] 名前解決したホスト 1件、接続 5回
python netlog.py ocr_paddle.py --threads 2 mixed.png 2>&1 | grep -E "netlog|モデル|行"
モデル読み込み 2.4秒
mixed.png: 9行 10.8秒
[netlog] 名前解決したホスト 0件、接続 0回
rm -rf /tmp/fresh /tmp/fresh2
grep -n 'PADDLE_PDX_MODEL_SOURCE"\|PADDLE_PDX_HUGGING_FACE_ENDPOINT"\|PADDLE_PDX_LOCAL_FONT_FILE_PATH"' ~/venv/lib/python3.12/site-packages/paddlex/utils/flags.py
64:LOCAL_FONT_FILE_PATH = get_flag_from_env_var("PADDLE_PDX_LOCAL_FONT_FILE_PATH", None)
72:MODEL_SOURCE = os.environ.get("PADDLE_PDX_MODEL_SOURCE", "huggingface").lower()
78:    "PADDLE_PDX_HUGGING_FACE_ENDPOINT", "https://huggingface.co"

docker commit paddleocr-japanese-ocr-python-lab paddleocr-japanese-ocr-python:offline
docker run --rm --network none --memory 4g --memory-swap 4g --cpus 2 --hostname nagoyadevlab01 -u ryoma -w /home/ryoma/paddle-lab paddleocr-japanese-ocr-python:offline sh -c 'ls /sys/class/net; getent hosts huggingface.co; echo "exit=$?"'
lo
exit=2
docker run --rm --network none --memory 4g --memory-swap 4g --cpus 2 --hostname nagoyadevlab01 -u ryoma -w /home/ryoma/paddle-lab paddleocr-japanese-ocr-python:offline sh -c '. ~/venv/bin/activate && python netlog.py ocr_paddle.py --threads 2 form.png notice.png mixed.png scan.png 2>&1 | grep -E "netlog|モデル|行|メモリ"; for f in form notice mixed scan; do python cer.py $f.txt $f.paddle.txt $f; done'
モデル読み込み 2.6秒
form.png: 19行 24.2秒
notice.png: 10行 27.0秒
mixed.png: 9行 10.3秒
scan.png: 10行 9.7秒
最大メモリ（RSS） 3660 MiB
[netlog] 名前解決したホスト 0件、接続 0回
form     CER=  3.09%  NFKC=  1.85%  誤り 5/162字
notice   CER=  0.00%  NFKC=  0.00%  誤り 0/393字
mixed    CER=  7.44%  NFKC=  0.83%  誤り 18/242字
scan     CER=  0.25%  NFKC=  0.25%  誤り 1/393字

docker run --rm --network none --memory 4g --memory-swap 4g --cpus 2 --hostname nagoyadevlab01 -u ryoma -w /home/ryoma/paddle-lab paddleocr-japanese-ocr-python:offline sh -c '. ~/venv/bin/activate && rm ~/.paddlex/fonts/simfang.ttf && paddleocr ocr -i mixed.png --lang japan --use_doc_orientation_classify False --use_doc_unwarping False --use_textline_orientation False --cpu_threads 2 --save_path out-offline 2>&1 | grep -c Connecting; python count_ink.py out/mixed_ocr_res_img.png out-offline/mixed_ocr_res_img.png'
9
out/mixed_ocr_res_img.png 25220
out-offline/mixed_ocr_res_img.png 0
docker run --rm --network none --memory 4g --memory-swap 4g --cpus 2 --hostname nagoyadevlab01 -u ryoma -w /home/ryoma/paddle-lab -e PADDLE_PDX_LOCAL_FONT_FILE_PATH=/usr/share/fonts/opentype/ipaexfont-gothic/ipaexg.ttf paddleocr-japanese-ocr-python:offline sh -c '. ~/venv/bin/activate && rm ~/.paddlex/fonts/simfang.ttf && paddleocr ocr -i mixed.png --lang japan --use_doc_orientation_classify False --use_doc_unwarping False --use_textline_orientation False --cpu_threads 2 --save_path out-offline 2>&1 | grep -c Connecting; python count_ink.py out-offline/mixed_ocr_res_img.png'
0
out-offline/mixed_ocr_res_img.png 40040

docker run --rm --network none --memory 3g --memory-swap 3g --cpus 2 --hostname nagoyadevlab01 -u ryoma -w /home/ryoma/paddle-lab paddleocr-japanese-ocr-python:offline sh -c '. ~/venv/bin/activate && python ocr_paddle.py --threads 2 --tier medium form.png notice.png mixed.png scan.png 2>/dev/null > run.log; echo "exit=$?"; grep -v ReduceMean run.log'
exit=137
モデル読み込み 3.4秒
form.png: 19行 23.5秒
docker run --rm --network none --memory 2g --memory-swap 2g --cpus 2 --hostname nagoyadevlab01 -u ryoma -w /home/ryoma/paddle-lab paddleocr-japanese-ocr-python:offline sh -c '. ~/venv/bin/activate && python ocr_paddle.py --threads 2 --tier medium form.png notice.png mixed.png scan.png 2>/dev/null > run.log; echo "exit=$?"; grep -v ReduceMean run.log'
exit=137
モデル読み込み 3.5秒
docker run --rm --network none --memory 2g --memory-swap 2g --cpus 2 --hostname nagoyadevlab01 -u ryoma -w /home/ryoma/paddle-lab paddleocr-japanese-ocr-python:offline sh -c '. ~/venv/bin/activate && python ocr_paddle.py --threads 2 --tier small form.png notice.png mixed.png scan.png 2>/dev/null > run.log; echo "exit=$?"; grep -v ReduceMean run.log'
exit=0
モデル読み込み 3.5秒
form.png: 19行 7.4秒
notice.png: 10行 8.1秒
mixed.png: 9行 2.8秒
scan.png: 10行 2.5秒
最大メモリ（RSS） 2077 MiB
docker run --rm --network none --memory 3g --memory-swap 3g --cpus 2 --hostname nagoyadevlab01 -u ryoma -w /home/ryoma/paddle-lab paddleocr-japanese-ocr-python:offline sh -c '. ~/venv/bin/activate && for f in form notice mixed scan; do python ocr_paddle.py --threads 2 $f.png 2>/dev/null | grep -v ReduceMean | grep -v モデル; done'
form.png: 19行 22.1秒
最大メモリ（RSS） 3237 MiB
notice.png: 10行 27.3秒
最大メモリ（RSS） 3237 MiB
mixed.png: 9行 10.8秒
最大メモリ（RSS） 1653 MiB
scan.png: 10行 10.9秒
最大メモリ（RSS） 1249 MiB

pip index versions paddlepaddle 2>/dev/null | head -n 1
paddlepaddle (3.3.1)
python3 -m venv ~/venv-331 && . ~/venv-331/bin/activate && pip install -q paddlepaddle==3.3.1 paddleocr==3.7.0 paddlex==3.7.2 pillow==13.0.0; echo "exit=$?"

[notice] A new release of pip is available: 25.0.1 -> 26.2.2
[notice] To update, run: pip install --upgrade pip
exit=0
python ocr_paddle.py --threads 2 mixed.png 2>&1 | tail -n 3
    self.predictor.run()
NotImplementedError: (Unimplemented) ConvertPirAttribute2RuntimeAttribute not support [pir::ArrayAttribute<pir::DoubleAttribute>]  (at /paddle/paddle/fluid/framework/new_executor/instruction/onednn/onednn_instruction.cc:116)

/usr/bin/time -f "%e秒 %MKB" paddleocr ocr -i mixed.png --lang japan --use_doc_orientation_classify False --use_doc_unwarping False --use_textline_orientation False --cpu_threads 2 --enable_mkldnn False > /tmp/nomkl-mixed.log 2>&1; echo "exit=$?"; tail -n 2 /tmp/nomkl-mixed.log | cut -c 1-120
exit=0
52.72秒 3139120KB
/usr/bin/time -f "%e秒 %MKB" paddleocr ocr -i notice.png --lang japan --use_doc_orientation_classify False --use_doc_unwarping False --use_textline_orientation False --cpu_threads 2 --enable_mkldnn False > /tmp/nomkl-notice.log 2>&1; echo "exit=$?"; tail -n 2 /tmp/nomkl-notice.log | cut -c 1-120
exit=137
Command terminated by signal 9
18.08秒 4152192KB
rm -rf ~/venv-331

docker run --rm --network none --memory 4g --memory-swap 4g --cpus 2 --hostname nagoyadevlab01 -u ryoma -w /home/ryoma/paddle-lab -e PADDLE_PDX_CACHE_HOME=/tmp/empty paddleocr-japanese-ocr-python:offline sh -c '. ~/venv/bin/activate && python ocr_paddle.py mixed.png 2>&1 | tail -n 2'
    raise Exception(msg)
Exception: No available model hosting platforms detected. Please check your network connection.

python -c "import paddle, paddleocr; print(paddle.__version__, paddleocr.__version__)"; ls ~/.paddlex/official_models
3.2.2 3.7.0
PP-LCNet_x1_0_doc_ori
PP-LCNet_x1_0_textline_ori
PP-OCRv6_medium_det
PP-OCRv6_medium_rec
PP-OCRv6_small_det
PP-OCRv6_small_rec
UVDoc
grep -m1 '^license:' ~/.paddlex/official_models/*/README.md
/home/ryoma/.paddlex/official_models/PP-LCNet_x1_0_doc_ori/README.md:license: apache-2.0
/home/ryoma/.paddlex/official_models/PP-LCNet_x1_0_textline_ori/README.md:license: apache-2.0
/home/ryoma/.paddlex/official_models/PP-OCRv6_medium_det/README.md:license: apache-2.0
/home/ryoma/.paddlex/official_models/PP-OCRv6_medium_rec/README.md:license: apache-2.0
/home/ryoma/.paddlex/official_models/PP-OCRv6_small_det/README.md:license: apache-2.0
/home/ryoma/.paddlex/official_models/PP-OCRv6_small_rec/README.md:license: apache-2.0
/home/ryoma/.paddlex/official_models/UVDoc/README.md:license: apache-2.0

. ~/venv/bin/activate
python ocr_paddle.py --threads 2 mixed.png 2>/dev/null | grep -v ReduceMean
モデル読み込み 2.7秒
mixed.png: 9行 11.4秒
最大メモリ（RSS） 1652 MiB
head -n 4 mixed.paddle.json
[
{"text": "型番：FX-3200B／シリアル：SN7Q4K-0921", "score": 0.981, "box": [239, 160, 1061, 200]},
{"text": "IPアドレス：192.168.20.15ゲートウェイ：192.168.20.1", "score": 0.998, "box": [237, 278, 1306, 321]},
{"text": "MACアドレス：3C:52:82:A1:7F:0E", "score": 0.992, "box": [237, 399, 898, 441]},
python cer.py mixed.txt mixed.paddle.txt PaddleOCR -v
PaddleOCR CER=  7.44%  NFKC=  0.83%  誤り 18/242字
   正解「＝」→ 結果「=」
   正解「ﾊﾟｽﾜｰﾄﾞﾘｾｯﾄ」→ 結果「ハ°スワードリセット」
   正解「ＡＢＣ１２３」→ 結果「ABC123」
tesseract mixed.png - -l jpn 2>/dev/null | python cer.py mixed.txt - Tesseract
Tesseract CER= 16.12%  NFKC=  4.17%  誤り 39/242字