Skip to content

360AILABNLP/360LayoutAnalysis

Repository files navigation

360LayoutAnalysis

English

一、背景

在当今数字化时代,文档版式分析是信息提取和文档理解的关键步骤之一。文档版式分析,也称为文档图像分析或文档布局分析,是指从扫描的文档图像中识别和提取文本、图像、表格和其他元素的过程。这项技术在自动化文档处理、电子数据交换、历史文档数字化等领域有着广泛的应用。

传统的文档版式分析模型往往难以准确区分文档中的段落和其他布局元素,这限制了文档信息的进一步处理和利用,而深度学习和模式识别技术的发展为文档版式分析带来了新的机遇,通过训练数据集,可以提高模型对文档结构的理解能力,但高质量的标注数据集是训练有效模型的基础。

在文档版式分析中,精细化的标注非常有必要,其中:段落的标注尤其关键,因为它直接影响到文本的语义理解和信息提取。当前,在版式分析领域,据我们了解,在论文场景中,以往的开源数据集如:CDLA(A Chinese document layout analysis),缺乏对段落信息的标注;在研报场景中的版式分析模型还相对空缺。

因此,为了解决这一问题,我们通过人工标注的方式对论文文档进行细粒度标签改造以及数据优化,并构建起研报场景细粒度版式分析数据集,最好利用这些标注数据集,训练了多个全新的中文文档版式分析模型,在封闭测试集上表现优异

2024-06-15,我们优先开源了面向论文研报两个场景的版面分析轻量化模型权重及相应的标签体系,旨在能够识别文档中的段落边界等信息,并准确区分文本、图像、表格、公式等其他元素,最终推动产业发展。

2024-06-28,新增英文论文场景、通用场景两个新版式分析模型,开源版式分析模型达到4个。

2024-09-06,新增中文教材场景版式分析模型,开源版式分析模型达到5个。

主要特点:

1)涵盖中文论文、英文论文、中文研报、教材4个垂直领域及1个通用场景模型;

2)轻量化推理快速【基于yolov8训练,单模型6.23MB】;

3)中文论文场景包含段落信息【CLDA不具备段落信息,我们开源独有】;

4)中文研报场景/通用场景/教材场景【基于数万级别高质量数据训练,我们开源独有】

如果有更多的使用体验,欢迎向我们反馈。

二、使用

模型权重 场景 标签类别 开源时间
paper-8n.pt 中文论文场景 Text:正文(段落)
Title:标题
Figure:图片
Figure caption:图片标题
Table:表格
Table caption:表格标题
Header:页眉
Footer:页脚
Reference:注释
Equation:公式
2024-06-15
report-8n.pt 中文研报场景 Text:正文(段落)
Title:标题
Figure:图片
Figure caption:图片标题
Table:表格
Table caption:表格标题
Header:页眉
Footer:页脚
Toc:目录
2024-06-15
publaynet-8n.pt 英文论文场景 text:正文
title:标题
list:列表
table:表格
figure:图片
2024-06-28
general6-8n.pt 通用场景 元素:名称
Text:正文
Title:标题
Figure:图片
Table:表格
Equation:公式
Caption:表/图标题
2024-06-28
jiaocai-8n.pt 教材场景 目录:catalogue
页脚:footer
脚注:footnote
章标题:chapter title
小节标题:subsection title
小标题:subhead
段落:paragraph
无序列表:unordered list
表格:table
图片:figure
代码:code
页眉:header
页码:page number
索引标签:index
节标题:section title
标题:headline
其他标题:other title
公式:formula
有序列表:ordered list
表注:table caption
图注:figure caption
代码注释:code caption
2024-09-06
  • 使用方式:

    开源权重使用yolov8进行训练,预测方式如下:

    from ultralytics import YOLO
    
    image_path = ''  # 待预测图片路径
    model_path = ''  # 权重路径
    model = YOLO(model_path)
    
    result = model(image_path, save=True, conf=0.5, save_crop=False, line_width=2)
    print(result)
    
    print(result[0].names)         # 输出id2label map
    print(result[0].boxes)         # 输出所有的检测到的bounding box
    print(result[0].boxes.xyxy)    # 输出所有的检测到的bounding box的左上和右下坐标
    print(result[0].boxes.cls)     # 输出所有的检测到的bounding box类别对应的id
    print(result[0].boxes.conf)    # 输出所有的检测到的bounding box的置信度

三、版面分析

3.1 论文场景

  • 标签类别

    元素 名称
    Text 正文(段落)
    Title 标题
    Figure 图片
    Figure caption 图片标题
    Table 表格
    Table caption 表格标题
    Header 页眉
    Footer 页脚
    Reference 注释
    Equation 公式
  • 示例

3.2 研报场景

  • 标签类别

    元素 名称
    Text 正文(段落)
    Title 标题
    Figure 图片
    Figure caption 图片标题
    Table 表格
    Table caption 表格标题
    Header 页眉
    Footer 页脚
    Toc 目录
  • 示例

3.3 publaynet

  • 标签类别

    元素 名称
    text 正文
    title 标题
    list 列表
    table 表格
    figure 图片
  • 示例

3.4 通用版式

  • 标签类别

    元素 名称
    Text 正文
    Title 标题
    Figure 图片
    Table 表格
    Equation 公式
    Caption 表/图标题

License

This project utilizes certain datasets and checkpoints that are subject to their respective original licenses. Users must comply with all terms and conditions of these original licenses.The content of this project itself is licensed under the Apache license 2.0.

许可证

本仓库源码遵循开源许可证Apache 2.0。360LayoutAnalysis模型开源模型支持商用,若需将本模型及衍生模型用于商业用途,请通过邮箱([email protected])联系进行申请, 具体许可协议请见《360LayoutAnalysis模型开源模型许可证》

About

No description, website, or topics provided.

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published