PaddleOCR 3.5 añade backend Transformers para OCR

PaddleOCR 3.5 llega para darte más flexibilidad a la hora de convertir documentos en datos útiles. ¿Qué cambia? Ahora puedes ejecutar modelos de OCR y parsing documental proporcionados por PaddleOCR usando transformers como backend de inferencia, lo que facilita integrarlos en pilas centradas en Hugging Face y PyTorch.

Qué trae PaddleOCR 3.5

La novedad principal es una interfaz de inferencia más flexible: el parámetro engine permite elegir el backend y engine_config acepta opciones específicas del mismo. En la práctica esto significa:

• PaddleOCR sigue gestionando las tuberías internas de OCR y parsing documental, así que no tienes que llamar manualmente a cada componente.
• transformers pasa a ser un backend soportado para ejecutar modelos PaddleOCR compatibles.
• Puedes configurar opciones como dtype, colocación de dispositivos y la implementación de atención a través de engine_config.

Una forma simple de entender la pila:

Esta versión se centra en la capa de backend: PaddleOCR mantiene las capacidades de OCR y parsing, y transformers ofrece una alternativa natural para entornos centrados en Hugging Face.

Ejemplos prácticos (instalación y uso)

Instala PaddleOCR 3.5 junto con PaddleX, Transformers y un build de PyTorch compatible con tu hardware. En CUDA 12.6, por ejemplo:

python -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
python -m pip install 'paddleocr==3.5.0' 'paddlex==3.5.2' 'transformers>=5.4.0'

Para CPU, ROCm u otros entornos, instala la versión de PyTorch que corresponda a tu hardware.

Ejecutar desde la línea de comandos con el backend transformers:

paddleocr ocr \
 -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png \
 --device gpu:0 \
 --engine transformers

O usar la API en Python:

from paddleocr import PaddleOCR
pipeline = PaddleOCR(
    device='gpu:0',
    engine='transformers',
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False,
    engine_config={
        'dtype': 'float32',
    },
)
results = pipeline.predict('https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png')
for result in results:
    print(result)

El Space demo en Hugging Face usa float32 por compatibilidad amplia. Para tu propio hardware puedes afinar engine_config:

engine_config = {
    'dtype': 'bfloat16',
    'device_type': 'gpu',
    'device_id': 0,
    'attn_implementation': 'sdpa',
}

La configuración óptima depende del modelo, el hardware y el entorno de despliegue.

¿Cuándo usar el backend Transformers y cuándo no?

Usa el backend transformers cuando quieras que las capacidades de OCR y parsing encajen de forma natural en una pila centrada en Hugging Face y PyTorch. Es especialmente útil si ya usas:

• Pipelines, herramientas y despliegues basados en transformers.
• Descubrimiento y distribución de modelos a través del Hub.
• Infraestructura PyTorch para experimentación y gestión de artefactos.

Si tu prioridad es maximizar throughput y latencia en producción, el backend por defecto paddle_static suele ser la opción recomendada. Esta integración no reemplaza backends: te da libertad para elegir según tus necesidades.

Recomendaciones técnicas y buenas prácticas

• Prueba varias combinaciones de dtype y attn_implementation para encontrar el mejor balance entre precisión, memoria y velocidad en tu hardware.
• Valida el pipeline de ingestión documental (tablas, fórmulas, layouts complejos) antes de integrarlo con LLMs. Un mal preprocesamiento arruina cualquier RAG o agente, por bueno que sea el LLM.
• Si ya tienes infraestructura en Hugging Face (Spaces, Hub, Transformers Serving), la integración reduce fricción y facilita el manejo de modelos y artefactos.
• Para despliegues en producción, mide throughput, latencia y uso de memoria en ambos backends (transformers vs paddle_static) antes de decidir.

Prueba el demo en Hugging Face Spaces para ver cómo se comporta en escenarios reales:

• Demo en Spaces: https://huggingface.co/spaces/PaddlePaddle/paddleocr-3.5-transformers-demo
• Documentación de PaddleOCR: https://www.paddleocr.ai/
• Repositorio en GitHub: https://github.com/PaddlePaddle/PaddleOCR

Impacto para proyectos Document AI

Si trabajas en RAG, agentes documentales, búsqueda o analítica, PaddleOCR 3.5 facilita el paso crítico de transformar documentos en datos estructurados dentro de un flujo basado en Transformers. No es magia: es un atajo para integrar capacidades maduras de OCR con la infraestructura que ya usan muchos equipos.

Piénsalo así: la mayor complejidad en Document AI suele estar antes del LLM. PaddleOCR agiliza esa primera etapa y te deja concentrarte en la lógica de recuperación, razonamiento y acción.

Fuente original

https://huggingface.co/blog/PaddlePaddle/paddleocr-transformers