最近分享了很多关于文档OCR版式识别的文章。总体来看：
视觉语言大模型文档OCR通用效果最强，用起来也最方便；但是缺点也非常明显，由于涉及到视觉模型、桥接层、语言模型三个部分，微调起来非常不方便。
LayoutLM系列模型，基于transformer，虽然能应对多重任务，精准度尚可，但是识别速度没有优势。
YOLO系列的文档OCR版式识别，优点：是速度快，微调模型也方便，在单一场景下精度不输上面两类模型；缺点：是通用性不强，不能像transformer模型那样完成多个任务
建议：
如果是做多模态大模型研究的朋友，可以尝试做一些文档识别、文档问答等一个模型支持多种任务的方向，大而全肯定是大模型发展通用人工智能的方向。
如果是最垂类任务的朋友，选择yolo是目前最佳的选择，成千上万页的PDF文档的请求涌过来，不要钱的CPU随便加还是能抗住的，大模型用上GPU那可就太奢侈了。
DocLayout-YOLO实战
import cv2
from doclayout_yolo import YOLOv10
# Load the pre-trained model
mode = YOLOv10.from_pretrained("juliozhao/DocLayout-YOLO-DocStructBench")
# Perform prediction
det_res = model.predict(
"path/to/image", # Image to predict
imgsz=1024, # Prediction image size
conf=0.2, # Confidence threshold
device="cuda:0" # Device to use (e.g., 'cuda:0' or 'cpu')
)
# Annotate and save the result
annotated_frame = det_res[0].plot(pil=True, line_width=5, font_size=20)
cv2.imwrite("result.jpg", annotated_frame)
也可通过https://huggingface.co/spaces/opendatalab/DocLayout-YOLO 实测自己的文档数据。
笔者测试的样例:
DocLayout-YOLO
DocLayout-yolo是上海AI实验室推出的基于yolov10，通过提供多样性文档预训练及适配文档检测的模型结构优化，可针对多样性文档进行实时鲁棒的检测。
360LayoutAnalysis是360人工智能研究院知识图谱&文档理解团队基于yolov8开源的多场景轻量化版式分析模型。
双方都用的是YOLO系列模型，微调的文档布局检测模型。
主要区别在于：
- DocLayout-yolo使用的是yolov10虽然沿用了yolov8的框架，但是推理速度比yolov8快了不少
DocLayout-yolo在文档预训练阶段，将文档合成视为二维装箱问题，并提出Mesh-candidate BestFit算法，合成类型多样性的大规模合文档数据集DocSynth-300K。这个数据集的预训练显著提高了在各种文档类型上的微调性能。360LayoutAnalysis使用的训练数据则要单一的多，所以开源出来的模型只对单一场景效果较好。
DocLayout-yolo在模型结构优化方面，提出了全局到局部可控的感知模块（GL-CRM），确保在尺度变化不一的文档元素上得到精准检测结果。
DocSynth-300K 数据集构建
从图上可知，DocSynth-300K数据集构建分为两个部分：
数据预处理(preprocessing)
页面版式元素的抽取与标记(Element pool)
为了确保包含各种文档元素，利用大约 2800 个不同文档页面的 74 个不同文档元素，作为初始数据。
对页面进行分段，通过每个细粒度类别提取和构建元素池。 同时，为了保持同一类别元素内部的多样性，我们设计了一个增强管道，扩展了元素数量少于 100 个的稀有类别的数据库池
数据增强策略
随机翻转：考虑到不同文档中文本方向的多种可能性，以 0.5 的概率对原始数据进行水平和垂直方向的随机翻转，以增强原始数据。
随机亮度和对比度：通过以 0.5 的概率随机改变元素的亮度和对比度，模拟各种照明条件和亮度水平下的真实世界环境。
随机裁剪：为了引导模型更多地关注局部特征，以 0.7 的概率对元素进行随机裁剪，裁剪区域范围为 0.5 0.9。
边缘提取：使用 Sobel 滤波器进行边缘检测，并以 0.2 的概率提取元素内的轮廓信息，从而增强特征的丰富性。
弹性变换和高斯噪声：通过轻微的弹性变换和高斯噪声添加过程来扭曲和模糊原始数据，以模拟现实中抖动或分辨率引起的失真
版式的布局生成（layout Generation）
为了确保布局多样性和与现实世界文档的一致性，受二维装箱问题的启发，我们将当前布局构建的可用网格视为不同大小的“箱子”，并迭代地执行最佳匹配以生成更多样化和合理的文档布局，平衡布局多样性（随机性）和美观性（例如填充率和对齐）。
- 版式元素候选集的采样（candidate sampling）
对于每个空白页面，通过基于元素大小的从元素池中分层抽样获得一个子集，作为候选集。 然后，从候选集中随机抽取一个元素，并将其放置在页面上的某个位置。
- 版式布局网络的构建（meshgrid construction）
基于布局构造网格，并过滤掉与插入元素重叠的无效网格。 只有剩余的网格才能在后续步骤中参与与候选者的匹配。
- 最佳拟合版式元素的搜索 (best Pair search)
对于每个候选者，遍历所有满足大小要求的网格，并搜索具有最大填充率的 Mesh-candidate 对。 随后，从候选集中移除最佳候选，并更新布局。
- 迭代布局填充 ( iterative layout filling)
重复步骤 2 3 直到没有有效的 Mesh-candidate 满足大小要求。 最终，将对所有填充的元素分别应用随机中心缩放。
Mesh-candidate BestFit 布局生成算法
该算法迭代地搜索候选者和所有网格 (bin) 之间的最佳匹配。 找到最佳匹配对后，候选元素将被插入文档，并继续迭代地搜索最佳匹配，直到元素数量达到阈值 （经验性地设置为 15）。 匹配阈值设置为 。
全局到局部模型架构 （GL-CRM）
文档图像中的不同元素在尺度上可能存在很大差异，例如单行标题和整页表格。 为了处理这种尺度变化的挑战，我们引入了一个称为 GL-CRM 的分层架构，它包含两个主要部分：
可控感受野模块 (CRM) ：灵活地提取和整合具有多个尺度和粒度的特征
全局到局部设计 (GL)。 GL 架构则以从全局上下文（整页尺度）到子块区域（中等尺度）再到局部语义信息的分层感知过程为特征。
如何理解全局到局部的设计？
全局级别：
对于包含丰富纹理细节的浅层阶段，使用具有扩大核大小和膨胀率的 CRM (k=5,d=1,2,3)。 大内核有助于捕获更多纹理细节并保留整个页面元素的局部模式。
块级别：
对于特征图被下采样且纹理特征被减少的中间阶段，使用具有较小内核的 CRM (k=3,d=1,2,3)。 在这种情况下，扩展的膨胀率足以感知中尺度元素，例如文档子块。
局部级别：
对于语义信息占主导地位的深层阶段，使用一个基本瓶颈，它充当一个轻量级模块，专注于局部语义信息。
版式布局元素
粤ICP备14082021号
免费POC，
零成本试错
