339 lines
11 KiB
Markdown
339 lines
11 KiB
Markdown
# PP-Structure 快速开始
|
||
|
||
- [1. 准备环境](#1-准备环境)
|
||
- [2. 便捷使用](#2-便捷使用)
|
||
- [2.1 命令行使用](#21-命令行使用)
|
||
- [2.1.1 图像方向分类+版面分析+表格识别](#211-图像方向分类版面分析表格识别)
|
||
- [2.1.2 版面分析+表格识别](#212-版面分析表格识别)
|
||
- [2.1.3 版面分析](#213-版面分析)
|
||
- [2.1.4 表格识别](#214-表格识别)
|
||
- [2.1.5 关键信息抽取](#215-关键信息抽取)
|
||
- [2.1.6 版面恢复](#216-版面恢复)
|
||
- [2.2 Python脚本使用](#22-Python脚本使用)
|
||
- [2.2.1 图像方向分类+版面分析+表格识别](#221-图像方向分类版面分析表格识别)
|
||
- [2.2.2 版面分析+表格识别](#222-版面分析表格识别)
|
||
- [2.2.3 版面分析](#223-版面分析)
|
||
- [2.2.4 表格识别](#224-表格识别)
|
||
- [2.2.5 关键信息抽取](#225-关键信息抽取)
|
||
- [2.2.6 版面恢复](#226-版面恢复)
|
||
- [2.3 返回结果说明](#23-返回结果说明)
|
||
- [2.3.1 版面分析+表格识别](#231-版面分析表格识别)
|
||
- [2.3.2 关键信息抽取](#232-关键信息抽取)
|
||
- [2.4 参数说明](#24-参数说明)
|
||
- [3. 小结](#3-小结)
|
||
|
||
<a name="1"></a>
|
||
## 1. 准备环境
|
||
### 1.1 安装PaddlePaddle
|
||
> 如果您没有基础的Python运行环境，请参考[运行环境准备](../../doc/doc_ch/environment.md)。
|
||
|
||
- 您的机器安装的是CUDA9或CUDA10，请运行以下命令安装
|
||
|
||
```bash
|
||
python3 -m pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple
|
||
```
|
||
|
||
- 您的机器是CPU，请运行以下命令安装
|
||
|
||
```bash
|
||
python3 -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
|
||
```
|
||
|
||
更多的版本需求，请参照[飞桨官网安装文档](https://www.paddlepaddle.org.cn/install/quick)中的说明进行操作。
|
||
|
||
### 1.2 安装PaddleOCR whl包
|
||
|
||
```bash
|
||
# 安装 paddleocr，推荐使用2.6版本
|
||
pip3 install "paddleocr>=2.6.0.3"
|
||
|
||
# 安装 图像方向分类依赖包paddleclas（如不需要图像方向分类功能，可跳过）
|
||
pip3 install paddleclas>=2.4.3
|
||
```
|
||
|
||
<a name="2"></a>
|
||
|
||
## 2. 便捷使用
|
||
|
||
<a name="21"></a>
|
||
### 2.1 命令行使用
|
||
|
||
<a name="211"></a>
|
||
#### 2.1.1 图像方向分类+版面分析+表格识别
|
||
```bash
|
||
paddleocr --image_dir=ppstructure/docs/table/1.png --type=structure --image_orientation=true
|
||
```
|
||
|
||
<a name="212"></a>
|
||
#### 2.1.2 版面分析+表格识别
|
||
```bash
|
||
paddleocr --image_dir=ppstructure/docs/table/1.png --type=structure
|
||
```
|
||
|
||
<a name="213"></a>
|
||
#### 2.1.3 版面分析
|
||
```bash
|
||
paddleocr --image_dir=ppstructure/docs/table/1.png --type=structure --table=false --ocr=false
|
||
```
|
||
|
||
<a name="214"></a>
|
||
#### 2.1.4 表格识别
|
||
```bash
|
||
paddleocr --image_dir=ppstructure/docs/table/table.jpg --type=structure --layout=false
|
||
```
|
||
|
||
<a name="215"></a>
|
||
|
||
#### 2.1.5 关键信息抽取
|
||
关键信息抽取暂不支持通过whl包调用，详细使用教程请参考：[关键信息抽取教程](../kie/README_ch.md)。
|
||
|
||
<a name="216"></a>
|
||
|
||
#### 2.1.6 版面恢复
|
||
|
||
版面恢复分为2种方法，详细介绍请参考：[版面恢复教程](../recovery/README_ch.md)：
|
||
|
||
- PDF解析
|
||
- OCR技术
|
||
|
||
通过PDF解析(只支持pdf格式的输入)：
|
||
|
||
```bash
|
||
paddleocr --image_dir=ppstructure/recovery/UnrealText.pdf --type=structure --recovery=true --use_pdf2docx_api=true
|
||
```
|
||
|
||
通过OCR技术：
|
||
|
||
版面恢复分为2种方法，详细介绍请参考：[版面恢复教程](https://github.com/PaddlePaddle/PaddleOCR/blob/dygraph/ppstructure/recovery/README_ch.md)：
|
||
|
||
- PDF解析
|
||
- OCR技术
|
||
|
||
通过PDF解析(只支持pdf格式的输入)：
|
||
|
||
```bash
|
||
paddleocr --image_dir=ppstructure/recovery/UnrealText.pdf --type=structure --recovery=true --use_pdf2docx_api=true
|
||
```
|
||
|
||
通过OCR技术：
|
||
|
||
```bash
|
||
# 中文测试图
|
||
paddleocr --image_dir=ppstructure/docs/table/1.png --type=structure --recovery=true
|
||
# 英文测试图
|
||
paddleocr --image_dir=ppstructure/docs/table/1.png --type=structure --recovery=true --lang='en'
|
||
# pdf测试文件
|
||
paddleocr --image_dir=ppstructure/recovery/UnrealText.pdf --type=structure --recovery=true --lang='en'
|
||
```
|
||
|
||
<a name="22"></a>
|
||
|
||
### 2.2 Python脚本使用
|
||
|
||
<a name="221"></a>
|
||
#### 2.2.1 图像方向分类+版面分析+表格识别
|
||
|
||
```python
|
||
import os
|
||
import cv2
|
||
from paddleocr import PPStructure,draw_structure_result,save_structure_res
|
||
|
||
table_engine = PPStructure(show_log=True, image_orientation=True)
|
||
|
||
save_folder = './output'
|
||
img_path = 'ppstructure/docs/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')
|
||
```
|
||
|
||
<a name="222"></a>
|
||
#### 2.2.2 版面分析+表格识别
|
||
|
||
```python
|
||
import os
|
||
import cv2
|
||
from paddleocr import PPStructure,draw_structure_result,save_structure_res
|
||
|
||
table_engine = PPStructure(show_log=True)
|
||
|
||
save_folder = './output'
|
||
img_path = 'ppstructure/docs/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')
|
||
```
|
||
|
||
<a name="223"></a>
|
||
#### 2.2.3 版面分析
|
||
|
||
```python
|
||
import os
|
||
import cv2
|
||
from paddleocr import PPStructure,save_structure_res
|
||
|
||
table_engine = PPStructure(table=False, ocr=False, show_log=True)
|
||
|
||
save_folder = './output'
|
||
img_path = 'ppstructure/docs/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)
|
||
```
|
||
|
||
<a name="224"></a>
|
||
|
||
#### 2.2.4 表格识别
|
||
|
||
```python
|
||
import os
|
||
import cv2
|
||
from paddleocr import PPStructure,save_structure_res
|
||
|
||
table_engine = PPStructure(layout=False, show_log=True)
|
||
|
||
save_folder = './output'
|
||
img_path = 'ppstructure/docs/table/table.jpg'
|
||
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)
|
||
```
|
||
|
||
<a name="225"></a>
|
||
#### 2.2.5 关键信息抽取
|
||
|
||
关键信息抽取暂不支持通过whl包调用，详细使用教程请参考：[inference文档](./inference.md)。
|
||
|
||
<a name="226"></a>
|
||
|
||
#### 2.2.6 版面恢复
|
||
|
||
```python
|
||
import os
|
||
import cv2
|
||
from paddleocr import PPStructure,save_structure_res
|
||
from paddleocr.ppstructure.recovery.recovery_to_doc import sorted_layout_boxes, convert_info_docx
|
||
|
||
# 中文测试图
|
||
table_engine = PPStructure(recovery=True)
|
||
# 英文测试图
|
||
# table_engine = PPStructure(recovery=True, lang='en')
|
||
|
||
save_folder = './output'
|
||
img_path = 'ppstructure/docs/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)
|
||
|
||
h, w, _ = img.shape
|
||
res = sorted_layout_boxes(result, w)
|
||
convert_info_docx(img, res, save_folder, os.path.basename(img_path).split('.')[0])
|
||
```
|
||
|
||
<a name="23"></a>
|
||
### 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：
|
||
|
||
<a name="231"></a>
|
||
#### 2.3.1 版面分析+表格识别
|
||
```shell
|
||
[
|
||
{ '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。<br> 表格: 一个dict，字段说明如下<br>        `html`: 表格的HTML字符串<br>        在代码使用模式下，前向传入return_ocr_result_in_table=True可以拿到表格中每个文本的检测识别结果，对应为如下字段: <br>        `boxes`: 文本检测坐标<br>        `rec_res`: 文本识别结果。<br> 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
|
||
```
|
||
|
||
<a name="232"></a>
|
||
#### 2.3.2 关键信息抽取
|
||
|
||
请参考：[关键信息抽取教程](../kie/README_ch.md)。
|
||
|
||
<a name="24"></a>
|
||
### 2.4 参数说明
|
||
|
||
| 字段 | 说明 | 默认值 |
|
||
|---|---|---|
|
||
| output | 结果保存地址 | ./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 |
|
||
| merge_no_span_structure | 表格识别模型中，是否对'\<td>'和'\</td>' 进行合并 | False |
|
||
| layout_model_dir | 版面分析模型 inference 模型地址 | None |
|
||
| layout_dict_path | 版面分析模型字典| ../ppocr/utils/dict/layout_publaynet_dict.txt |
|
||
| layout_score_threshold | 版面分析模型检测框阈值| 0.5|
|
||
| layout_nms_threshold | 版面分析模型nms阈值| 0.5|
|
||
| kie_algorithm | kie模型算法| LayoutXLM|
|
||
| ser_model_dir | ser模型 inference 模型地址| None|
|
||
| ser_dict_path | ser模型字典| ../train_data/XFUND/class_list_xfun.txt|
|
||
| mode | structure or kie | structure |
|
||
| image_orientation | 前向中是否执行图像方向分类 | False |
|
||
| layout | 前向中是否执行版面分析 | True |
|
||
| table | 前向中是否执行表格识别 | True |
|
||
| ocr | 对于版面分析中的非表格区域，是否执行ocr。当layout为False时会被自动设置为False| True |
|
||
| recovery | 前向中是否执行版面恢复| False |
|
||
| save_pdf | 版面恢复导出docx文件的同时，是否导出pdf文件 | False |
|
||
| structure_version | 模型版本，可选 PP-structure和PP-structurev2 | PP-structure |
|
||
|
||
大部分参数和PaddleOCR whl包保持一致，见 [whl包文档](../../doc/doc_ch/whl.md)
|
||
|
||
<a name="3"></a>
|
||
## 3. 小结
|
||
|
||
通过本节内容，相信您已经熟练掌握通过PaddleOCR whl包调用PP-Structure相关功能的使用方法，您可以参考[文档教程](../../README_ch.md#文档教程)，获取包括模型训练、推理部署等更详细的使用教程。
|