PaddleOCR 3.7.0 发布，根据你的环境，随意切换推理引擎！
2026年6月11日，PaddleOCR v3.7版本正式发布。该版本除了发布 PP-OCRv6重磅模型外，还持续推进3.x系列推理部署能力的升级。自 PaddleOCR3.5.0将推理层从OCR产线中解耦并抽象为独立的「推理引擎（Inference Engine）」以来，开发者只需通过一个engine参数即可使用不同的推理引擎。最新的PaddleOCR 3.7.0版本在这一方向上迈出了更坚实的一步：正式引入ONNX Runtime后端，并围绕多后端体验进行了系统性完善，为开发者带来更丰富的跨场景部署选择。
简单来说，推理引擎是模型真正运行时所在的执行层，负责模型权重加载、算子调度和在CPU、GPU等硬件上的实际计算。
过去，PaddleOCR默认采用飞桨静态图推理方案——该链路经长期优化，在性能上表现优异，但用户需要完整安装并依赖飞桨框架。
从3.5.0开始，我们将推理执行逻辑抽象为统一的engine参数：
from paddleocr import PaddleOCR# 默认使用飞桨静态图推理ocr = PaddleOCR()# 切换到 Transformers 后端ocr = PaddleOCR(engine='transformers')
OCR产线接口保持不变，仅需修改一个参数即可切换底层运行时。同一套 API、同一个产线，却能拥有更加灵活的部署选择。
在PaddleOCR3.7.0中，我们线正式引入ONNX Runtime（ORT）后端支持。
关于ONNX Runtime：ONNX Runtime是由微软主导推出的跨平台推理引擎，专为优化ONNX格式模型的运行效率而设计。通过支持多种硬件加速后端（Execution Providers），它能够充分发挥CPU和GPU等不同硬件的计算能力，实现高性能推理。
其中，ONNX（Open Neural Network Exchange）作为业内主流的模型交换标准，好比神经网络领域的“通用语言”，无论模型是使用PaddlePaddle、PyTorch还是TensorFlow训练，都可以转换成ONNX标准格式，实现“一次转换，随处运行”，带来了三大突出优势：
跨框架兼容性强：不拘泥于单一生态，任意框架导出的ONNX模型均可统一调度执行。
轻量易部署：依赖简单，体积小巧，非常适合容器化环境和边缘设备等资源有限的场景。
多后端推理支持：ONNX Runtime在CPU场景可接入OpenVINO、DirectML，在GPU端可接入CUDA、TensorRT等主流加速方案，一套模型即可满足多样化的部署需求。
启用方式同样简单友好，既支持CLI直接调用，也支持Python API灵活集成：
# CLIpaddleocr ocr -i image.jpg --engine onnxruntime
# Python APIocr = PaddleOCR(engine='onnxruntime')
ONNX Runtime引擎还支持通过engine_config自定义运行时参数。以配置 OpenVINO + CPU为例：
config = { 'device_type': 'cpu', 'providers': [ 'OpenVINOExecutionProvider', 'CPUExecutionProvider' ]}ocr = PaddleOCR( engine='onnxruntime', engine_config=config)在实际业务场景中，该方案可展现出突出的落地价值——例如在跨厂区的工业质检场景中，只需一套ONNX模型，便可在不同厂区的工控机和服务器上分别采用ONNX Runtime CPU版和TensorRT加速版，大幅降低多环境部署的维护成本。
随着ONNX Runtime的加入，PaddleOCR已形成了清晰、体系化的多后端推理体矩阵：
开发者可以根据项目需求，自由选择最适合的运行时，而无需修改业务逻辑，更不用重构OCR流程。
为方便广大开发者更清晰地了解本次发版内容，除了上述多后端推理体系的升级外，我们也和大家简单介绍一下本次v3.7版本中同步发布的重磅模型——PP-OCRv6。
PP-OCRv6是飞桨OCR团队倾力打造的新一代轻量化文字识别模型，在模型架构上采用统一的MetaFormer风格构件，并结合结构化重参数化技术，将原本分离的空间Token混合与通道混合解耦，为检测和识别任务设计了专用的步长配置，实现了双任务协同优化。
该系列模型共提供tiny、small、medium三个等级：
PP-OCRv6_tiny：极致轻量，推理速度相较PP-OCRv5_mobile提升3.9 倍，可在Intel Xeon CPU上实现高速推理；
PP-OCRv6_small_rec：520万参数，以千分之一的参数量在多项OCR任务中超越GPT-5.5、Qwen3-VL-235B等大型视觉语言模型，整体加权准确率达81.3%；
PP-OCRv6_medium：精准旗舰，识别准确率达83.2%、检测Hmean 达86.2%，分别比PP-OCRv5_server提升5.1%和4.6%。
从服务器到边缘端，PP-OCRv6系列延续了飞桨一贯的“轻量不轻质”理念，覆盖了多种部署场景下的配置需求。
如果大家想进一步了解PP-OCRv6的强大效果，文末附有专门介绍该模型的文章链接，欢迎点击阅读。
使用 ONNX Runtime 后端非常简单，只需三步即可上手体验：
1. 安装 PaddleOCR 和 ONNX Runtime：
# 安装 PaddleOCRpip install "paddleocr>=3.7.0"# CPU 版本pip install onnxruntime# GPU 版本（CUDA 12）pip install onnxruntime-gpu
2. 运行 ONNX Runtime 后端推理示例：
paddleocr ocr -i demo.jpg --engine onnxruntime
粤ICP备14082021号
免费POC，
零成本试错
