企业官网建设流程全解析

PaddleOCR PP-Structure 系列模型全览：版面分析、表格识别与关键信息抽取模型选型指南

【免费下载链接】PaddleOCRTurn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100+ languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCR

PP-Structure 是 PaddleOCR 团队自研的智能文档分析系统，覆盖版面分析、表格结构化识别、关键信息抽取（KIE）与版面恢复等文档理解任务。本文基于docs/version2.x/ppstructure/models_list.en.md整理的官方模型清单，逐类介绍 PP-Structure 系列模型的能力边界、推理模型体积、下载方式与配套字典路径，并结合仓库源码说明各模型的底层实现与调用方式，帮助开发者在实际文档解析场景中快速完成模型选型与部署。

1. 版面分析（Layout Analysis）模型

版面分析是 PP-Structure 文档解析流程的第一步：将文档图像划分为文字、标题、表格、图片等不同区域，为后续按区域执行 OCR、表格识别等子任务划定边界。官方模型清单共列出 6 个版面分析模型，分为 PicoDet 轻量系列与 PP-YOLOv2 高精度系列两类。

1.1 轻量级首选：PicoDet LCNet_x1_0 + FGD 系列

picodet_lcnet_x1_0_fgd_layout系列是官方推荐的轻量版面分析方案。三个模型（PubLayNet 英文、CDLA 中文、Table 表格专用）推理体积均仅约9.7M，适合 CPU 推理与端侧部署。名称中的 FGD 指 Focal and Global Distillation，即以大规模模型为教师、以 PicoDet 为学生的特征蒸馏训练策略，使轻量模型在极小体积下获得接近大模型的版面分类精度。

三个模型分别对应仓库中 ppocr/utils/dict/layout_dict 下的三个字典文件：

• PubLayNet 英文 5 类（layout_publaynet_dict.txt）：text / title / list / table / figure；
• CDLA 中文 10 类（layout_cdla_dict.txt）：text / title / figure / figure_caption / table / table_caption / header / footer / reference / equation，其中 equation（公式）区域在后续版面恢复流程中可用于触发公式识别；
• 表格专用 1 类（layout_table_dict.txt）：仅table一个类别，聚焦中英文文档中的表格检测。

1.2 高精度备选：PP-YOLOv2 系列

当对版面区域定位精度要求更高且算力充足时，可选择ppyolov2_r50vd_dcn_365e_publaynet以及基于 TableBank 数据集的tableBank_word/tableBank_latex两个表格检测模型。该系列基于 PP-YOLOv2（ResNet50-vd + DCN 骨干），推理体积约221.0M，适用于服务端 GPU 部署场景。TableBank 数据集的 Word 与 Latex 两个版本分别面向不同类型来源的英文表格文档。

1.3 版面分析模型的底层调用方式

在仓库源码中，版面分析模型的预测入口位于 ppstructure/layout/predict_layout.py，其通过layout_model_dir、layout_dict_path、layout_score_threshold（默认 0.5）与layout_nms_threshold（默认 0.5）等参数完成模型加载、推理与后处理。命令行动态使用方式可参考 quick_start.md 中的版面分析示例：

paddleocr --image_dir=ppstructure/docs/table/1.png --type=structure --table=false --ocr=false

--type=structure表示启用 PP-Structure 流水线，--table=false --ocr=false则只保留版面分析环节。

2. OCR 与表格识别模型

部分 PP-Structure 任务需要同时使用结构化分析模型与 OCR 模型。例如表格识别既需要表格结构模型做结构化解析，也需要 OCR 模型识别表格内的文字，因此官方模型清单将 OCR 与表格识别模型单列一节，便于按需求组合选型。

2.1 表格场景专用 OCR 模型

这两个模型分别承担表格区域内文字的检测与识别。如果任务需要其他通用 OCR 模型，官方文档明确给出两条路径：

1. 在 PP-OCR 模型列表 中下载所需模型；
2. 使用自己训练的模型，将其配置到det_model_dir、rec_model_dir两个字段即可无缝替换。

2.2 表格结构化识别模型

SLANet 是 PP-Structure 当前主推的表格识别模型，相比早期基于 TableRec-RARE 的方案在结构与体积上都有明显优化，中文、英文各有一个版本，输出结果为可直接还原为 Excel 的 HTML 表格结构。

表格结构模型的推理实现位于 ppstructure/table/predict_structure.py。该文件中的build_pre_process_list展示了表格模型的前处理链路：图像先按table_max_len（默认 488）缩放，再执行 PaddingTableImage 补齐到[488, 488]，随后归一化（mean/std 依算法在[0.485,0.456,0.406]与 TableMaster 的[0.5,0.5,0.5]之间切换）；后处理阶段根据table_char_dict_path与merge_no_span_structure参数构建TableLabelDecode或TableMasterLabelDecode解码器，将网络输出解析为<td>、<tr>等 HTML 标签序列。命令行单独执行表格识别的方式为：

paddleocr --image_dir=ppstructure/docs/table/table.jpg --type=structure --layout=false

3. 关键信息抽取（KIE）模型

KIE（Key Information Extraction）用于从文档中抽取语义实体及其关系，分为**语义实体识别（SER）与关系抽取（RE）**两类子任务。官方模型清单分别给出了 XFUND_zh 数据集与 wildreceipt 数据集上的评测结果。

3.1 XFUND_zh 数据集上的 SER / RE 模型对比

在 XFUND_zh 数据集上，各模型的 Hmean 精度与 V100 GPU 上的推理耗时（仅统计 inference 阶段，不含前后处理）如下：

注：上表耗时仅包含 inference 模型的推理时间，未统计预处理与后处理；测试环境为V100 GPU + CUDA 10.2 + CUDNN 8.1.1 + TRT 7.2.3.4。

选型结论：VI-LayoutXLM 在 SER（93.19%）与 RE（83.92%）两项指标上均为最佳，且推理耗时（15.49ms）为全表最低，是中文关键信息抽取的默认首选；LayoutLMv2 精度与速度居中；LayoutLM 精度最低且未给出耗时数据，仅作基线参考。

上述配置文件的仓库路径为 configs/kie/vi_layoutxlm 与 configs/kie/layoutlm_series。以 ser_vi_layoutxlm_xfund_zh_udml.yml 为例，可以看出其"UDML"（UDML 蒸馏）训练方案的技术细节：Architecture 采用DistillationModel，包含 Teacher 与 Student 两个LayoutXLMForSer（mode 为vi）分支，Loss 组合了DistillationVQASerTokenLayoutLMLoss、DistillationSERDMLLoss（softmax + log）与两个分别作用于hidden_states_5、hidden_states_8的DistillationVQADistanceLoss（L2），输出指标由VQASerTokenMetric的hmean衡量。

3.2 wildreceipt 数据集上的 SDMGR 模型

在 wildreceipt 数据集上，官方给出了基于视觉与文本联合建模的 SDMGR（Spatial Dual-Modality Graph Reasoning）模型结果：

SDMGR 的训练配置位于 configs/kie/sdmgr/kie_unet_sdmgr.yml。该配置采用SDMGRHead作为 Head、SDMGRLoss作为损失函数，训练数据经KieLabelEncode、KieResize等算子预处理，Eval 阶段 batch_size 必须为 1，度量指标同为KIEMetric的hmean。

3.3 KIE 模型的使用方式

官方文档特别说明：关键信息抽取暂不支持通过 whl 包直接调用，需使用独立的推理脚本。SER/RE 推理可参考 predict_kie_token_ser.py 与 predict_kie_token_ser_re.py，详细教程见 python_infer.md。也可参考 KIE 实战教程 how_to_do_kie.md 完成数据准备、模型训练与全流程串联。

4. 模型选型与组合建议

结合 overview.md 中 PP-StructureV2 的系统流程（图像矫正 → 版面分析 → 按区域 OCR / 表格识别 → 版面恢复，或 OCR → SER → RE 的 KIE 链路），给出如下组合建议：

• 通用文档版面解析（中文/英文）：首选picodet_lcnet_x1_0_fgd_layout（9.7M）+ch_ppstructure_mobile_v2.0_SLANet（9.3M）+ PP-OCR 系列检测识别模型，整条链路均可轻量部署；
• 中文公式、复杂排版文档：使用picodet_lcnet_x1_0_fgd_layout_cdla以获得 equation、header、footer 等 10 类细分区域；
• 表格密集的金融、论文文档：优先picodet_lcnet_x1_0_fgd_layout_table或 PP-YOLOv2 TableBank 系列进行表格定位，再配合 SLANet 输出结构化 Excel；
• 票据/证照关键信息抽取：直接选用VI-LayoutXLM的 SER + RE 组合（Hmean 分别 93.19% / 83.92%），票据类数据可参考 SDMGR 方案（86.70%）。

所有模型的推理模型均可直接下载解压后，通过配置layout_model_dir、table_model_dir、det_model_dir、rec_model_dir、ser_model_dir等字段接入 predict_system.py 推理入口；如需训练或微调，可分别参考 train_layout.md、train_table.md 与 train_kie.md。完整参数说明见 quick_start.md 的"参数说明"一节（含layout_score_threshold、layout_nms_threshold、table_max_len、merge_no_span_structure等默认值）。

【免费下载链接】PaddleOCRTurn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100+ languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCR