Skip to content

Latest commit

 

History

History
138 lines (108 loc) · 5.03 KB

quickstart_en.md

File metadata and controls

138 lines (108 loc) · 5.03 KB
Raw

PP-Structure 快速开始

1. 安装依赖包

# 安装 paddleocr，推荐使用2.3.0.2+版本
pip3 install "paddleocr>=2.3.0.2" 
# 安装 版面分析依赖包layoutparser（如不需要版面分析功能，可跳过）
pip3 install -U https://paddleocr.bj.bcebos.com/whl/layoutparser-0.0.0-py3-none-any.whl 
# 安装 DocVQA依赖包paddlenlp（如不需要DocVQA功能，可跳过）
pip install paddlenlp

2. 便捷使用

2.1 命令行使用

2.1.1 版面分析+表格识别

paddleocr --image_dir=../doc/table/1.png --type=structure

2.1.2 DocVQA

请参考：文档视觉问答。

2.2 Python脚本使用

2.2.1 版面分析+表格识别

import os
import cv2
from paddleocr import PPStructure,draw_structure_result,save_structure_res

table_engine = PPStructure(show_log=True)

save_folder = './output/table'
img_path = '../doc/table/1.png'
img = cv2.imread(img_path)
result = table_engine(img)
save_structure_res(result, save_folder,os.path.basename(img_path).split('.')[0])

for line in result:
    line.pop('img')
    print(line)

from PIL import Image

font_path = '../doc/fonts/simfang.ttf' # PaddleOCR下提供字体包
image = Image.open(img_path).convert('RGB')
im_show = draw_structure_result(image, result,font_path=font_path)
im_show = Image.fromarray(im_show)
im_show.save('result.jpg')

2.2.2 DocVQA

请参考：文档视觉问答。

2.3 返回结果说明

PP-Structure的返回结果为一个dict组成的list，示例如下

2.3.1 版面分析+表格识别

[
  {   'type': 'Text',
      'bbox': [34, 432, 345, 462],
      'res': ([[36.0, 437.0, 341.0, 437.0, 341.0, 446.0, 36.0, 447.0], [41.0, 454.0, 125.0, 453.0, 125.0, 459.0, 41.0, 460.0]],
                [('Tigure-6. The performance of CNN and IPT models using difforen', 0.90060663), ('Tent  ', 0.465441)])
  }
]

dict 里各个字段说明如下

字段 说明
type 图片区域的类型
bbox 图片区域的在原图的坐标，分别[左上角x，左上角y，右下角x，右下角y]
res 图片区域的OCR或表格识别结果。
表格: 表格的HTML字符串;
OCR: 一个包含各个单行文字的检测坐标和识别结果的元组

运行完成后，每张图片会在output字段指定的目录下有一个同名目录，图片里的每个表格会存储为一个excel，图片区域会被裁剪之后保存下来，excel文件和图片名为表格在图片里的坐标。

/output/table/1/
  └─ res.txt
  └─ [454, 360, 824, 658].xlsx  表格识别结果
  └─ [16, 2, 828, 305].jpg			被裁剪出的图片区域
  └─ [17, 361, 404, 711].xlsx		表格识别结果

2.3.2 DocVQA

请参考：文档视觉问答。

2.4 参数说明

字段 说明 默认值
output excel和识别结果保存的地址 ./output/table
table_max_len 表格结构模型预测时，图像的长边resize尺度 488
table_model_dir 表格结构模型 inference 模型地址 None
table_char_dict_path 表格结构模型所用字典地址 ../ppocr/utils/dict/table_structure_dict.txt
layout_path_model 版面分析模型模型地址，可以为在线地址或者本地地址，当为本地地址时，需要指定 layout_label_map, 命令行模式下可通过--layout_label_map='{0: "Text", 1: "Title", 2: "List", 3:"Table", 4:"Figure"}' 指定 lp:https://PubLayNet/ppyolov2_r50vd_dcn_365e_publaynet/config
layout_label_map 版面分析模型模型label映射字典 None
model_name_or_path VQA SER模型地址 None
max_seq_length VQA SER模型最大支持token长度 512
label_map_path VQA SER 标签文件地址 ./vqa/labels/labels_ser.txt
mode pipeline预测模式，structure: 版面分析+表格识别; VQA: SER文档信息抽取 structure

大部分参数和PaddleOCR whl包保持一致，见 whl包文档