打造自己的RAG解析大模型：(可商用)智能文档分析解决方案！

发布日期：2024-10-20 20:49:06 浏览次数： 3159

作者：真聊技术

微信搜一搜，关注“真聊技术”

在上一篇文章中，我们成功将文本识别、表格识别和版面识别模型串联，实现了对PDF文档的全面解析。然而，随着技术的飞速发展，文档智能解析领域迎来了更加创新的解决方案。近日，百度发布了PP-ChatOCRv3，基于数据融合技术，提供了OCR模型的二次开发功能，大幅提升了模型的微调能力。该技术将百万级高质量的通用OCR数据与垂直领域的模型训练数据按特定比例融合，解决了传统行业模型训练过程中，通用文本识别能力减弱的难题。这一突破性技术在自动化办公、金融风控、医疗健康等多个行业场景中都有广泛的应用潜力。

当然，使用这一创新技术仍需要一定的学习成本，但凭借其低代码开发能力，相信很快就能上手，构建更优质的文档解析组件，并为RAG（检索增强生成）提供高质量的知识库支持。为此，我们将通过百度飞桨平台的低代码开发工具PaddleX，探索如何更轻松地开发和部署这一先进技术。接下来，让我们详细了解PaddleX的核心能力，看看它能为文档解析带来怎样的提升。

新特性

飞桨低代码开发工具PaddleX，依托于PaddleOCR的先进技术，支持了OCR领域的低代码全流程开发能力：

模型丰富一键调用：将文本图像智能分析、通用OCR、通用版面解析、通用表格识别、公式识别、印章文本识别涉及的17个模型整合为6条模型产线，通过极简的Python API一键调用，快速体验模型效果。此外，同一套API，也支持图像分类、目标检测、图像分割、时序预测等共计200+模型，形成20+单功能模块，方便开发者进行模型组合使用。
提高效率降低门槛：提供基于统一命令和图形界面两种方式，实现模型简洁高效的使用、组合与定制。支持高性能推理、服务化部署和端侧部署等多种部署方式。此外，对于各种主流硬件如英伟达GPU、昆仑芯、昇腾、寒武纪和海光等，进行模型开发时，都可以无缝切换。

支持文档场景信息抽取v3(PP-ChatOCRv3-doc)、基于RT-DETR的高精度版面区域检测模型和PicoDet的高效率版面区域检测模型、高精度表格结构识别模型SLANet_Plus、文本图像矫正模型UVDoc、公式识别模型LatexOCR、基于PP-LCNet的文档图像方向分类模型。

今天我们重点讲文档场景信息抽取v3，文档场景信息抽取v3（PP-ChatOCRv3）是飞桨特色的文档和图像智能分析解决方案，结合了 LLM 和 OCR 技术，一站式解决版面分析、生僻字、多页 pdf、表格、印章识别等常见的复杂文档信息抽取难点问题，结合文心大模型将海量数据和知识相融合，准确率高且应用广泛。

文档场景信息抽取v3中包含表格结构识别模块、版面区域检测模块、文本检测模块、文本识别模块、印章文本检测模块、文本图像矫正模块、文档图像方向分类模块。

开发体验

飞桨为文档场景信息抽取V3提供了两种使用方式：在线使用和二次开发。

如果使用在线方案，您只能调用飞桨已经训练好的模型，适用于默认模型在您的应用场景中能够满足精度或速度需求的情况。如果现有模型不理想，飞浆还支持您通过二次开发的方式，利用自己特定领域的数据进行模型微调。这种方法能够进一步提升在行业场景中的表格识别效果，实现更精准的文档信息抽取，满足更复杂的业务需求。

实现二次开发：

PaddlePaddle本地安装

pip install paddlepaddle==3.0.0b1 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

安装完成后，使用以下命令可以验证 PaddlePaddle 是否安装成功：

python -c "import paddle; print(paddle.__version__)"

如果输出以下内容，说明已成功安装。

3.0.0-beta1

获取PaddleX并安装

执行以下命令获取源码：

git clone https://github.com/PaddlePaddle/PaddleX.git

如果访问 GitHub 网速较慢，可以从 Gitee 下载，命令如下：

git clone https://gitee.com/paddlepaddle/PaddleX.git

获取 PaddleX 最新源码之后，您可以选择Wheel包安装模式或插件安装模式。

Wheel包安装模式：

cd PaddleX
# 安装 PaddleX whl# -e：以可编辑模式安装，当前项目的代码更改，都会直接作用到已经安装的 PaddleX Wheelpip install -e .

推理预测

要创建一个表格识别的应用程序，并验证其发布是否如百度飞桨所说的那样简单，可以按照以下步骤进行操作。首先，使用 PyCharm 打开 PaddleX 项目，然后在项目中创建一个 APP 目录，接着在该目录中创建一个名为 TableRes 的文件。接下来，编写相应的代码来实现表格识别功能。通过这种方式，可以快速验证 PaddleX 的表格识别是否方便易用，并且与文档描述一致地提供高效的表格处理能力。

from paddlex import create_modelmodel = create_model("SLANet")output = model.predict("table_recognition.jpg", batch_size=1)for res in output:res.print(json_format=False)res.save_to_img("./output/")res.save_to_json("./output/res.json")

简单来说，只需三步：

调用create_model()方法实例化预测模型对象；
调用预测模型对象的predict()方法进行推理预测；
调用print()、save_to_xxx()等相关方法对预测结果进行可视化或是保存。

图片table_recognition.jpg如下图：

执行TableRes，效果如下：

执行代码后生成output目录，目录下有两个文件：

res.json，保存识别表格后的json格式数据。

table_recognition.jpg，可视化识别图片。

json格式数据如下图：

可视化识别结构：

总结

经过实际体验，PaddleX 的安装和发布确实比以往的开源项目 PaddleOCR 要简便许多。完成安装后，您不仅获得了 PaddleOCR 的功能，还同时集成了六大模块，包括 'PaddleDetection', 'PaddleClas', 'PaddleTS', 'PaddleSeg', 'PaddleNLP', 和 'PaddleOCR'。这种“一站式”安装让开发更加高效，不需要单独为每个模块设置环境，非常适合需要多任务处理的开发者，极大简化了复杂项目的启动流程。

声明：本文为真聊技术原创，转载请联系授权。