打造自己的解析大模型：模型的安装与推理

发布日期：2024-09-29 07:25:21 浏览次数： 2850

作者：真聊技术

微信搜一搜，关注“真聊技术”

RAG系统中要快速构建AI助理，首先要高效、准确地建立知识库，而实现这一点的关键便是具备一个功能强大的文档解析器。在上一篇中，我们介绍了PdfParser，本篇将深入讨论该解析器所依赖的模型，以及如何在Windows环境中安装并运行这些模型进行推理。

PDF解析的核心流程：

OCR处理：这是解析过程的第一步。通过光学字符识别（OCR）技术，将PDF页面中图像形式的内容转换为可处理的文本数据。这一步为后续的内容识别和分析奠定了基础。
布局分析：在将页面转化为文本后，布局分析负责解析页面的结构，识别文本块、标题、段落、图像、表格等不同的区域。这一步能够帮助程序理解文档的逻辑结构和内容分布。
表格与文本的识别与合并：不同于简单的文本识别，表格解析需要更加复杂的处理逻辑。该步骤使用特定模型分别识别文本块和表格内容，并将其合并为完整的、结构化的数据输出。通过这种方式，文档中的表格和相关文字能够被准确提取，确保文档中的信息不丢失。
输出结果：经过处理的文档会以结构化的方式输出，包括文本、表格等关键内容。这些结构化数据不仅便于进一步分析，还可以快速应用于知识库建设，为AI助理提供支持。

核心识别模型

实现上述解析流程，需要多种模型的支持，包括OCR模型、版面分析模型、表格识别模型等。

识别过程要用到的核心模型如下表：

模型安装与推理

PaddleOCR

PaddleOCR 是百度飞桨 (PaddlePaddle) 推出的开源 OCR 工具，旨在为用户提供完整的 OCR 解决方案。它支持从文本检测、识别到表格识别、版面分析等多种任务，同时支持多语言识别，如中文、英文、韩文、日文等。PaddleOCR 结合了轻量级和高精度模型，能够在 CPU、GPU 以及移动设备上高效运行。用户可根据需求自定义和训练模型，广泛应用于文档解析、发票识别等场景。

接下来我们将详细讲解如何在 PaddleOCR 源码下安装这些模型，并在 Windows 环境中运行推理程序。

运行环境准备

Windows和Mac用户推荐使用Anaconda搭建Python环境，Linux用户建议使用docker搭建Python环境。

1. 运行硬件

Windows10及以上
16G内存

2. 运行软件

Anaconda3
Python3.10.14
PaddlePaddle2.6.1 WHL包
PaddleOCR2.8 源代码

Python环境搭建

安装Anaconda并创建Python环境

要使用PaddlePaddle，首先需要安装Python环境，这里推荐使用Anaconda工具包来简化管理。网络上有许多关于Anaconda安装的详细教程，所以我们在此不再赘述。安装完Anaconda后，您可以通过命令行或其自带的可视化界面创建Conda环境。在本文中，我们将全程采用命令行进行操作，创建和管理用于PaddlePaddle的运行环境，确保简洁高效。

1.打开Anaconda Prompt终端：在Windows桌面左下角Windows Start Menu -> Anaconda3 -> Anaconda Prompt启动控制台

2. 创建新的conda环境

# 在命令行输入以下命令，创建名为paddle_env的环境# 执行命令后可以看到Package Plan 界面conda create --name paddle_env python=3.10.14

输入：y 继续安装直到看到以下界面，paddle_env基础环境就算安装完成。

PaddleOCR源码下载并安装依赖

1. PaddleOCR源代码下载

使用Git Bash工具在任何一个盘下（这里是在e盘根目录下），执行以下命令。

mkdir paddle_ocr
cd paddle_ocr/
git clone https://github.com/PaddlePaddle/PaddleOCR.git
cd PaddleOCR
git checkout -b release/2.8 origin/release/2.8

至此，我们已成功下载了PaddleOCR的源码，并将其切换至2.8版本。接下来，我们需要安装PaddlePaddle框架及其他依赖包。

首先，打开Anaconda Prompt，进入PaddleOCR项目路径，然后激活之前配置好的paddle_env Conda环境。通过这些步骤，您可以确保后续安装顺利进行，为PaddleOCR的使用做好准备。

# 激活paddle_env环境conda activate paddle_env

2. 安装PaddlePaddle包及其它依赖

# 执行以下命令，可以看到以下安装界面pip3 install paddlepaddle==2.6.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 继续执行以下命令安装依赖，执行后看到以下界面说明依赖已经安装完成pip3 install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/

至此，我们已经成功安装了PaddleOCR的所有依赖包，当前环境具备了在Windows系统上进行模型推理的能力。接下来，我们将下载所需模型，并使用CPU进行推理验证，以确保模型在本地环境中的正常运行。

模型下载以及推理验证

1. 模型的下载

以下是模型下载地址列表：

版面	https://paddleocr.bj.bcebos.com/ppstructure/models/layout/picodet_lcnet_x1_0_fgd_layout_cdla_infer.tar
表格	https://paddleocr.bj.bcebos.com/ppstructure/models/slanet/ch_ppstructure_mobile_v2.0_SLANet_infer.tar
文本识别	https://paddleocr.bj.bcebos.com/PP-OCRv4/chinese/ch_PP-OCRv4_rec_infer.tar
文本检测	https://paddleocr.bj.bcebos.com/PP-OCRv4/chinese/ch_PP-OCRv4_det_infer.tar

在Windows系统中，您可以直接将模型包的下载地址输入浏览器进行下载。接下来，我们以文本检测和文本识别模型为例，详细讲解如何进行模型推理验证。通过下载后的模型，您可以利用PaddleOCR进行文本检测，识别文档中的文字信息。此过程包括加载模型、输入PDF或图像文件，并通过推理输出结果，最终验证模型在当前环境中的推理效果是否准确无误。

2. 模型推理

文本检测（中文）

模型下载为: ch_PP-OCRv4_det_infer.tar，直接解压缩，目录下模型文件有3个。

ch_PP-OCRv4_det_infer├── inference.pdiparams         # inference模型的参数文件├── inference.pdiparams.info# inference模型的参数信息，可忽略└── inference.pdmodel # inference模型的program文件

在PaddleOCR目录下创建inference目录，将ch_PP-OCRv4_det_infer文件夹拷贝到PaddleOCR下inference文件夹下。

E:\paddle_ocr\PaddleOCR\inference\ch_PP-OCRv4_det_infer├── inference.pdiparams # inference模型的参数文件├── inference.pdiparams.info# inference模型的参数信息，可忽略└── inference.pdmodel # inference模型的program文件

进入Anaconda Prompt界面并进入PaddleOCR路径，然后执行如下命令。

# 执行命令后可以看到识别过程python ./tools\infer\predict_det.py --image_dir="./doc\imgs\00018069.jpg" --det_model_dir="./inference\ch_PP-OCRv4_det_infer" --use_gpu=False

可视化文本检测结果默认保存到./inference_results文件夹里面，结果文件的名称前缀为det_res。

检测可视化效果如下图：

文本识别(中文)

模型下载为: ch_PP-OCRv4_det_infer.tar，直接解压缩，目录下模型文件有3个。

ch_PP-OCRv4_rec_infer├── inference.pdiparams # inference模型的参数文件├── inference.pdiparams.info# inference模型的参数信息，可忽略└── inference.pdmodel # inference模型的program文件

将ch_PP-OCRv4_rec_infer文件夹拷贝到PaddleOCR下inference文件夹下。

E:\paddle_ocr\PaddleOCR\inference\ch_PP-OCRv4_rec_infer├── inference.pdiparams # inference模型的参数文件├── inference.pdiparams.info# inference模型的参数信息，可忽略└── inference.pdmodel # inference模型的program文件

进入Anaconda Prompt界面并进入PaddleOCR路径，然后执行如下命令。

# 执行命令后可以看到识别过程python ./tools\infer\predict_rec.py --image_dir="./doc\imgs_words\ch\word_1.jpg" --rec_model_dir="./inference\ch_PP-OCRv4_rec_infer" --use_gpu=False

(paddle_env) E:\paddle_ocr\PaddleOCR>python ./tools\infer\predict_rec.py --image_dir="./doc\imgs_words\ch\word_1.jpg" --rec_model_dir="./inference\ch_PP-OCRv4_rec_infer" --use_gpu=False[2024/09/28 21:37:46] ppocr INFO: In PP-OCRv3, rec_image_shape parameter defaults to '3, 48, 320', if you are using recognition model with PP-OCRv2 or an older version, please set --rec_image_shape='3,32,320[2024/09/28 21:37:46] ppocr INFO: Predicts of ./doc\imgs_words\ch\word_1.jpg:('韩国小馆', 0.9991557002067566)

识别结果是：('韩国小馆', 0.9991557002067566)

原始图片如下：

文本检测模型还包括：DB文本检测模型推理、EAST文本检测模型推理、SAST文本检测模型推理（四边形文本检测模型、弯曲文本检测模型）

文本识别模型还包括：基于CTC损失的识别模型推理、基于SRN损失的识别模型推理、多语言模型的推理等。

总结

我们已经迈出了打造自定义识别模型的重要第一步，即在Windows环境中成功搭建了验证环境，并以文本检测和文本识别模型为例完成了推理验证。这一验证环境不仅适用于文本识别，也可用于表格识别模型的推理。但是，版面识别模型的推理则需要额外安装PaddleDetection套件。搭建好这一系列环境后，您将能够顺利开展模型训练，轻松打造适合自己需求的高效识别模型，助力更精准的文档解析任务。