PP DocLayout Plus L

🚀 PP-DocLayout_plus-L

PP-DocLayout_plus-L 是一個高精度的佈局區域定位模型，它基於 RT-DETR-L 在自建數據集上訓練得到。該數據集包含中英文論文、PPT、多佈局雜誌、合同、書籍、試卷、古籍和研究報告等。此佈局檢測模型涵蓋 20 種常見類別，如文檔標題、段落標題、文本、頁碼、摘要、表格、參考文獻、腳註、頁眉、頁腳、算法、公式、公式編號、圖像、表格、印章、圖表標題、圖表以及側邊欄文本和參考文獻列表等。

關鍵指標

注意：上述精度指標的評估集為自建版本子區域檢測數據集，包含中英文論文、雜誌、報紙、研究報告、PPT、試卷和教科書等 1000 張文檔類型圖片。

🚀 快速開始

📦 安裝指南

1. 安裝 PaddlePaddle

請參考以下命令，使用 pip 安裝 PaddlePaddle：

# 適用於 CUDA11.8
python -m pip install paddlepaddle-gpu==3.0.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/

# 適用於 CUDA12.6
python -m pip install paddlepaddle-gpu==3.0.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/

# 適用於 CPU
python -m pip install paddlepaddle==3.0.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

PaddlePaddle 安裝詳情請參考 PaddlePaddle 官方網站。

2. 安裝 PaddleOCR

從 PyPI 安裝最新版本的 PaddleOCR 推理包：

python -m pip install paddleocr

💻 使用示例

基礎用法

你可以使用單個命令快速體驗其功能：

paddleocr layout_detection \
    --model_name PP-DocLayout_plus-L \
    -i https://cdn-uploads.huggingface.co/production/uploads/63d7b8ee07cd1aa3c49a2026/N5C68HPVAI-xQAWTxpbA6.jpeg

你也可以將佈局檢測模塊的模型推理集成到你的項目中。在運行以下代碼之前，請將示例圖像下載到本地機器。

from paddleocr import LayoutDetection

model = LayoutDetection(model_name="PP-DocLayout_plus-L")
output = model.predict("N5C68HPVAI-xQAWTxpbA6.jpeg", batch_size=1, layout_nms=True)
for res in output:
    res.print()
    res.save_to_img(save_path="./output/")
    res.save_to_json(save_path="./output/res.json")

運行後，得到的結果如下：

{'res': {'input_path': '/root/.paddlex/predict_input/N5C68HPVAI-xQAWTxpbA6.jpeg', 'page_index': None, 'boxes': [{'cls_id': 2, 'label': 'text', 'score': 0.9870168566703796, 'coordinate': [34.101395, 349.85275, 358.5929, 611.0788]}, {'cls_id': 2, 'label': 'text', 'score': 0.986599326133728, 'coordinate': [34.500305, 647.15753, 358.29437, 848.66925]}, {'cls_id': 2, 'label': 'text', 'score': 0.984662652015686, 'coordinate': [385.71417, 497.41037, 711.22656, 697.8426]}, {'cls_id': 8, 'label': 'table', 'score': 0.9841272234916687, 'coordinate': [73.76732, 105.94854, 321.95355, 298.85074]}, {'cls_id': 8, 'label': 'table', 'score': 0.983431875705719, 'coordinate': [436.95523, 105.81446, 662.71814, 313.4865]}, {'cls_id': 2, 'label': 'text', 'score': 0.9832285642623901, 'coordinate': [385.62766, 346.22888, 710.10205, 458.772]}, {'cls_id': 2, 'label': 'text', 'score': 0.9816107749938965, 'coordinate': [385.78085, 735.19293, 710.5613, 849.97656]}, {'cls_id': 6, 'label': 'figure_title', 'score': 0.9577467441558838, 'coordinate': [34.421764, 20.055021, 358.7124, 76.53721]}, {'cls_id': 6, 'label': 'figure_title', 'score': 0.9505674839019775, 'coordinate': [385.7235, 20.054104, 711.2928, 74.92819]}, {'cls_id': 0, 'label': 'paragraph_title', 'score': 0.9001894593238831, 'coordinate': [386.46353, 477.035, 699.4023, 490.07495]}, {'cls_id': 0, 'label': 'paragraph_title', 'score': 0.8846081495285034, 'coordinate': [35.413055, 627.7365, 185.58315, 640.522]}, {'cls_id': 0, 'label': 'paragraph_title', 'score': 0.8837621808052063, 'coordinate': [387.1759, 716.34235, 524.78345, 729.2588]}, {'cls_id': 0, 'label': 'paragraph_title', 'score': 0.8509567975997925, 'coordinate': [35.50049, 331.18472, 141.64497, 344.81168]}]}}

可視化圖像如下：

使用命令和參數說明詳情請參考 文檔。

高級用法

單個模型的能力有限，但由多個模型組成的管道可以提供更強的能力來解決現實場景中的難題。

PP-StructureV3

佈局分析是一種從文檔圖像中提取結構化信息的技術。PP-StructureV3 包括以下六個模塊：

• 佈局檢測模塊
• 通用 OCR 子管道
• 文檔圖像預處理子管道（可選）
• 表格識別子管道（可選）
• 印章識別子管道（可選）
• 公式識別子管道（可選）

你可以使用單個命令快速體驗 PP-StructureV3 管道：

paddleocr pp_structurev3 -i https://cdn-uploads.huggingface.co/production/uploads/63d7b8ee07cd1aa3c49a2026/KP10tiSZfAjMuwZUSLtRp.png

你只需幾行代碼即可體驗管道的推理。以 PP-StructureV3 管道為例：

from paddleocr import PPStructureV3

pipeline = PPStructureV3()
# ocr = PPStructureV3(use_doc_orientation_classify=True) # 使用 use_doc_orientation_classify 啟用/禁用文檔方向分類模型
# ocr = PPStructureV3(use_doc_unwarping=True) # 使用 use_doc_unwarping 啟用/禁用文檔去畸變模塊
# ocr = PPStructureV3(use_textline_orientation=True) # 使用 use_textline_orientation 啟用/禁用文本行方向分類模型
# ocr = PPStructureV3(device="gpu") # 使用 device 指定 GPU 進行模型推理
output = pipeline.predict("./KP10tiSZfAjMuwZUSLtRp.png")
for res in output:
    res.print() ## 打印結構化預測輸出
    res.save_to_json(save_path="output") ## 以 JSON 格式保存當前圖像的結構化結果
    res.save_to_markdown(save_path="output") ## 以 Markdown 格式保存當前圖像的結果

管道中使用的默認模型是 PP-DocLayout_plus-L。使用命令和參數說明詳情請參考 文檔。

📚 詳細文檔

• PaddleOCR 倉庫
• PaddleOCR 文檔

📄 許可證

本項目採用 Apache-2.0 許可證。