Aller au contenu
Comparatifs

PaddleOCR : notre test sur factures françaises face à Tesseract

PaddleOCR 3.7 ou Tesseract ? Nous les avons testés sur 12 factures françaises dégradées : PaddleOCR a retrouvé tous les montants, Tesseract était 80 fois plus rapide. Ce qu'est PaddleOCR en 2026, comment l'installer et quand le choisir.

Par Jules Ratier18 août 2025 · 9 minutes de lecture

Logo de PaddleOCR avec un fond une dégradé jaune.
Sommaire
  1. Qu'est-ce que PaddleOCR en 2026 ?
  2. PaddleOCR lit-il bien les factures françaises ?
  3. Pourquoi PaddleOCR est-il si lent sur un processeur ?
  4. Comment installer PaddleOCR et lire un document en français ?
  5. Peut-on entraîner PaddleOCR sur ses propres documents ?
  6. PaddleOCR, Tesseract ou EasyOCR : lequel choisir ?
  7. Que reste-t-il à faire après PaddleOCR sur une facture ?
  8. Comment nous avons testé
  9. Questions fréquentes

PaddleOCR est la boîte à outils OCR open source de Baidu, publiée sous licence Apache 2.0 et gratuite, y compris pour un usage commercial. Sa version 3.7.0, sortie le 11 juin 2026, lit le français avec un seul modèle, PP-OCRv6. Nous l'avons comparée à Tesseract sur 12 factures françaises dégradées : PaddleOCR a retrouvé les 72 montants vérifiés, Tesseract 61, mais PaddleOCR a mis près de 30 secondes par page sur un seul cœur de processeur, contre 0,36 seconde. Voici ce que fait PaddleOCR aujourd'hui, ce que notre test montre, et quand le choisir.

Qu'est-ce que PaddleOCR en 2026 ?

PaddleOCR est né comme une bibliothèque de détection et de reconnaissance de texte construite sur PaddlePaddle, le framework d'apprentissage profond de Baidu. Il est devenu une plateforme d'analyse de documents. Son dépôt GitHub, suivi par plus de 92 000 développeurs, la résume en une phrase :

« PaddleOCR converts PDF documents and images into structured, LLM-ready data (JSON/Markdown) with industry-leading accuracy. »

README du dépôt PaddlePaddle/PaddleOCR sur GitHub, lu le 9 novembre 2026.

Trois familles de modèles cohabitent dans la version 3.7. PP-OCRv6, la chaîne classique de détection puis de reconnaissance, existe en trois tailles (1,5, 7,7 et 34,5 millions de paramètres) et couvre une cinquantaine de langues avec un seul modèle, dont le français et ses accents. PaddleOCR-VL 1.6, un modèle de vision et de langage publié avec la version 3.6.0 le 28 mai 2026, lit une page entière avec ses tableaux, formules et graphiques. PP-StructureV3 rend un PDF ou un scan en Markdown ou en JSON en gardant la mise en page. Le code et les modèles sont sous licence Apache 2.0, comme Tesseract.

PaddleOCR lit-il bien les factures françaises ?

Les comparatifs publiés portent presque tous sur des documents anglais ou chinois. Une facture française pose deux difficultés de plus : les accents, et des montants écrits avec une espace pour les milliers et une virgule pour les centimes (« 13 778,88 € »). Nous avons donc généré 12 factures en français, à 150 dpi, avec cinq lignes et un total TTC connus d'avance, puis appliqué six dégradations courantes. Le tableau donne, par dégradation, le nombre de montants retrouvés au centime près sur les deux factures concernées, soit 12 montants par ligne.

DégradationPaddleOCR 3.7Tesseract 5.3
Page propre12 / 1212 / 12
Bruit de points12 / 122 / 12
Flou12 / 1212 / 12
Contraste faible12 / 1212 / 12
Rotation de 3°12 / 1212 / 12
Rotation de 5°12 / 1211 / 12
Total72 / 7261 / 72
Mots accentués lus103 / 10893 / 108
Temps par page, un cœur29 s0,36 s

Sur une page propre, floue, peu contrastée ou légèrement penchée, les deux moteurs se valent. L'écart se fait sur le bruit, qui abîme la forme des caractères : Tesseract n'y a retrouvé que 2 montants sur 12 et a rendu « 26 400.30€ » pour un total HT de 26 400,39 €. Son erreur la plus grave est ailleurs : sur une facture tournée de 5°, il a lu un total TTC de 28 818,28 € au lieu de 38 818,28 €, sans le moindre signal de doute. Un montant faux et vraisemblable est plus dangereux qu'un montant illisible, parce que personne ne le revoit.

PaddleOCR a tout lu, mais il a ses défauts propres : il colle souvent les chiffres et supprime l'espace des milliers (« 13778,88€ »), et il a rendu « Numérigue » et « Echéance » sans accent sur deux factures. Pour une extraction automatique, ces sorties restent exploitables à condition de normaliser les nombres après la lecture.

Ce défaut sur les accents rejoint la seule étude publiée à grande échelle sur des documents français. Les équipes de Doctrine ont comparé en juillet 2023 AWS Textract, Google Vision, ABBYY FineReader, Tesseract, EasyOCR et PaddleOCR sur des actes de sociétés transcrits à la main, avant d'en traiter des millions. PaddleOCR y talonnait les services payants sur le taux d'erreur par caractère, mais reculait sur le taux d'erreur par mot, parce qu'il confondait souvent accent grave et accent aigu : une seule lettre fausse suffit à rendre tout le mot faux. Son module de tableaux, PP-Structure, restait loin d'AWS Textract. Doctrine a pourtant retenu PaddleOCR pour ses actes de sociétés, pour le meilleur compromis entre coût et qualité sur un tel volume (étude publiée le 24 avril 2024).

Pourquoi PaddleOCR est-il si lent sur un processeur ?

Les 29 secondes par page de notre test viennent de deux choix. Nous avons fait tourner chaque moteur sur un seul fil d'exécution, pour comparer à charge égale, avec le plus gros modèle PP-OCRv6 (medium). Et nous avons dû désactiver l'accélération oneDNN de PaddlePaddle 3.3.1, qui plantait au premier appel avec une erreur « ConvertPirAttribute2RuntimeAttribute not support ». Sans elle, le calcul sur processeur est bien plus lent que ce que Baidu annonce : la documentation officielle donne 1,40 seconde par page pour PP-OCRv6 medium sur un processeur Intel Xeon avec OpenVINO, un chiffre que nous n'avons pas reproduit.

En pratique, PaddleOCR se réserve à une carte graphique dès que les volumes montent, ou au modèle tiny de 1,5 million de paramètres quand le processeur est la seule ressource. Tesseract, lui, n'utilise pas de carte graphique et tourne partout.

Comment installer PaddleOCR et lire un document en français ?

L'installation passe par pip, avec le framework PaddlePaddle d'abord puis PaddleOCR. Voici les commandes exactes de notre test, sous Ubuntu avec Python 3.11 ; les modèles se téléchargent au premier lancement, depuis Hugging Face ou ModelScope.

pip install paddlepaddle==3.3.1
pip install paddleocr==3.7.0

La lecture d'une image tient ensuite en quelques lignes de Python. Le paramètre lang="fr" charge le modèle multilingue PP-OCRv6, et enable_mkldnn=False contourne l'erreur oneDNN de PaddlePaddle 3.3.1 sur processeur.

from paddleocr import PaddleOCR

ocr = PaddleOCR(
    lang="fr",
    enable_mkldnn=False)
res = ocr.predict("scan.png")
for page in res:
    print(page["rec_texts"])

Par défaut, le pipeline charge aussi un modèle d'orientation du document et un modèle de redressement ; nous les avons coupés, nos pages étant droites. La principale friction tient au framework : si votre équipe travaille avec PyTorch, PaddlePaddle ajoute un second moteur d'apprentissage profond à installer et à maintenir.

Peut-on entraîner PaddleOCR sur ses propres documents ?

Oui, c'est même l'un de ses atouts face à un service fermé. Quand le modèle de base se trompe sur un type de document précis (une police de ticket de caisse, des numéros de carte, un formulaire maison), on peut affiner son modèle de reconnaissance sur ses propres exemples annotés. La documentation officielle de la version 3.x décrit le chemin : préparer un jeu d'images découpées avec leur texte exact, télécharger les poids pré-entraînés du modèle choisi, lancer l'entraînement avec le script tools/train.py et le fichier de configuration du modèle, l'évaluer avec tools/eval.py, puis l'exporter pour le charger dans le pipeline.

En pratique, l'exercice reste réservé à une équipe technique. Un tutoriel publié sur Medium en mars 2024 pour la version 2.6, résume bien les obstacles : un fichier d'annotations au format exact attendu (chemin de l'image et texte séparés par une tabulation, généré par un script du dépôt), un environnement séparé pour l'entraînement et pour l'inférence, et une dizaine de gigaoctets libres pour les points de sauvegarde. Une carte graphique est presque indispensable pour entraîner en un temps raisonnable.

PaddleOCR, Tesseract ou EasyOCR : lequel choisir ?

Le choix dépend de vos documents et de vos serveurs plus que des scores de référence. Tesseract reste le bon choix pour des documents imprimés propres traités sur des serveurs ordinaires : il est assez précis sur un bon scan et des dizaines de fois moins coûteux à faire tourner. PaddleOCR devient préférable dès que les pages sont bruitées, photographiées au téléphone ou passées par un fax, là où Tesseract perd des caractères sans prévenir. EasyOCR, construit sur PyTorch, s'installe plus simplement dans une équipe qui utilise déjà ce framework, mais propose moins de modèles et peu d'outils pour les tableaux. Pour comparer ces moteurs à la dizaine d'autres projets actifs, notre classement des logiciels OCR open source les met côte à côte sur les mêmes critères.

Que reste-t-il à faire après PaddleOCR sur une facture ?

Un moteur OCR rend du texte et des coordonnées, pas des données métier. Sur nos factures, PaddleOCR a bien lu « 31 680,47 € », mais rien dans sa sortie ne dit qu'il s'agit du total TTC, que la TVA à 20 % est cohérente avec le total HT, ni que le numéro de TVA intracommunautaire correspond au SIRET du fournisseur. Ces étapes demandent une extraction par champ, des contrôles de cohérence et une revue humaine des cas douteux. C'est ce qu'ajoutent les plateformes d'OCR facture, au dessus du moteur de lecture.

Comment nous avons testé

Le test a été mené le 9 novembre 2026 sur une machine virtuelle à 4 cœurs sans carte graphique, avec PaddleOCR 3.7.0 et PaddlePaddle 3.3.1 d'un côté, Tesseract 5.3.4 et son modèle français de l'autre, chacun limité à un fil d'exécution. Les 12 factures sont synthétiques, en deux mises en page (police sans empattement et police à empattements), avec des libellés accentués, un numéro SIRET et des montants au format français. Un montant compte comme retrouvé si ses chiffres et sa virgule apparaissent dans le texte brut rendu par le moteur, espaces ignorés, sans aucune correction. Les mots accentués comptés sont neuf libellés fixes par facture (« Émise », « Échéance », « Désignation », « Pénalités »…). Sur vos propres documents, les chiffres seront différents : testez les deux moteurs sur une cinquantaine de vos fichiers avant de décider.

Questions fréquentes

PaddleOCR est-il gratuit ?

Oui. Le code et les modèles pré-entraînés de PaddleOCR sont publiés par Baidu sous licence Apache 2.0, qui autorise l'usage commercial, la modification et la redistribution sans frais. Vous ne payez que les serveurs qui le font tourner, et une carte graphique pour de gros volumes.

PaddleOCR reconnaît-il le français ?

Oui. Depuis la version 3.7.0, le modèle PP-OCRv6 couvre une cinquantaine de langues, dont le français, avec un seul modèle ; il suffit de passer lang="fr". Dans notre test, il a lu 103 des 108 mots accentués, contre 93 pour Tesseract avec son modèle français.

PaddleOCR est-il meilleur que Tesseract ?

Sur des documents dégradés, oui : 72 montants sur 72 contre 61 sur nos 12 factures françaises, surtout grâce à sa résistance au bruit. Sur des pages propres, les deux se valent, et Tesseract est beaucoup plus rapide sur processeur, ce qui en fait le meilleur choix quand le coût compte plus que la robustesse.

PaddleOCR a-t-il besoin d'une carte graphique ?

Non, PP-OCRv6 tourne sur processeur, mais lentement : 29 secondes par page sur un cœur dans notre test, sans l'accélération oneDNN. Une carte graphique est recommandée pour les volumes, et presque indispensable pour le modèle PaddleOCR-VL.

Quelle est la dernière version de PaddleOCR ?

La version 3.7.0, publiée sur PyPI le 11 juin 2026, avec les modèles PP-OCRv6. La version 3.6.0 du 28 mai 2026 a apporté PaddleOCR-VL 1.6, et la 3.5.0 du 21 avril 2026 la conversion des fichiers Word, Excel et PowerPoint en Markdown.

Automatisez le traitement de vos documents avec Koncile

Déposez vos factures, relevés ou bons de commande : Koncile extrait les données, les contrôle et les envoie dans vos outils, par API ou en Excel.

Échanger avec un expert