Sistema chinês de OCR agora reconhece texto em 50 idiomas — e roda em celulares antigos
PP-OCRv6, da PaddlePaddle, extrai texto de imagens com precisão superior a modelos ocidentais e funciona mesmo em hardware limitado
A PaddlePaddle (plataforma de deep learning mantida pela gigante chinesa Baidu) lançou o PP-OCRv6, um sistema de OCR (sigla em inglês para reconhecimento óptico de caracteres, tecnologia que identifica e extrai texto de imagens ou documentos digitalizados) capaz de processar 50 idiomas diferentes. O modelo está disponível gratuitamente na Hugging Face (uma plataforma onde desenvolvedores compartilham e baixam modelos de IA já treinados) e vem em três tamanhos: desde 1,5 milhão de parâmetros (os valores internos que definem como o modelo funciona) até 34,5 milhões — o que permite rodar versões leves até em smartphones de entrada.
O diferencial do PP-OCRv6 está na combinação de desempenho e eficiência. Em testes comparativos, o sistema superou alternativas populares como o Tesseract (um OCR de código aberto mantido pelo Google) e modelos comerciais como o do Azure Vision (serviço de reconhecimento de imagens da Microsoft) em idiomas como inglês, chinês, árabe e coreano. Segundo informou a equipe da PaddlePaddle, o modelo mobile (a versão menor, com 1,5M de parâmetros) consegue processar texto em tempo real mesmo em dispositivos Android modestos, com latência (tempo de espera entre enviar uma imagem e receber o texto extraído) inferior a 100 milissegundos.
A arquitetura do PP-OCRv6 divide o trabalho em três etapas: primeiro localiza onde há texto na imagem, depois detecta a direção das palavras e por fim reconhece os caracteres. Essa abordagem modular permite ajustar cada componente separadamente — por exemplo, trocar apenas o detector de direção para idiomas que se escrevem da direita para a esquerda, como árabe e hebraico. O modelo também foi treinado com técnicas de data augmentation (processo que gera variações artificiais dos dados de treino, como imagens levemente rotacionadas ou com ruído, para tornar o modelo mais robusto) que simulam condições reais: fotos tremidas, má iluminação, reflexos e distorções de perspectiva.
Para quem desenvolve aplicativos no Brasil, o PP-OCRv6 pode ser especialmente útil em cenários como digitalização de documentos antigos, leitura de placas de rua ou cardápios, e acessibilidade para pessoas com deficiência visual. A versão completa do modelo (com 34,5M de parâmetros) cabe em menos de 140 MB e pode rodar em CPU (o processador comum de qualquer computador, sem precisar de placa de vídeo dedicada), o que reduz drasticamente o custo de infraestrutura para startups. Todos os pesos (os valores finais que o modelo aprendeu após o treinamento) estão abertos sob licença Apache 2.0, permitindo uso comercial sem restrições.
