YOLO X Layout新手入门3步搭建文档版面分析工具小白也能搞定你是不是经常需要处理各种文档图片想要快速识别出里面的文字区域、表格、图片和标题手动标注不仅耗时耗力还容易出错。今天我要介绍的YOLO X Layout就是一个能帮你自动分析文档版面的AI工具。想象一下你拍了一张论文页面的照片上传到这个工具几秒钟后它就能告诉你这里是标题这里是正文段落这里有个表格那边是图片。整个过程完全自动化不需要你懂复杂的AI技术也不需要写很多代码。我刚开始接触这个工具时以为会很复杂结果发现只要三步就能搞定。这篇文章就是为你这样的新手准备的我会用最直白的方式带你从零开始搭建YOLO X Layout让你也能轻松玩转文档版面分析。1. 准备工作安装必要的软件在开始之前我们需要先装几个必要的软件。别担心都是免费的而且安装过程很简单。1.1 安装Python环境YOLO X Layout是用Python写的所以我们需要先安装Python。如果你已经安装了Python 3.8或更高版本可以跳过这一步。安装步骤访问Python官网https://www.python.org/downloads/下载最新的Python安装包选择3.8或更高版本运行安装程序一定要勾选“Add Python to PATH”这样系统才能找到Python点击“Install Now”开始安装验证安装 打开命令提示符Windows按WinR输入cmd输入python --version如果显示Python版本号比如“Python 3.10.0”说明安装成功。1.2 安装必要的依赖库Python装好后我们需要安装几个YOLO X Layout需要的库。这些库就像工具包让程序能正常运行。打开命令提示符逐行输入以下命令pip install gradio4.0.0 pip install opencv-python4.8.0 pip install numpy1.24.0 pip install onnxruntime1.16.0 pip install requests每个命令执行完看到“Successfully installed”就说明成功了。如果遇到网络问题可以尝试使用国内镜像源pip install gradio -i https://pypi.tuna.tsinghua.edu.cn/simple1.3 下载YOLO X Layout代码现在我们需要获取YOLO X Layout的源代码。如果你用的是CSDN星图镜像这一步可能已经完成了。如果没有可以这样获取创建一个工作文件夹比如在D盘新建一个“yolo_x_layout”文件夹打开命令提示符进入这个文件夹cd D:\yolo_x_layout如果你有Git可以克隆代码库git clone https://github.com/unstructuredio/yolo-x-layout.git如果没有Git也可以直接下载ZIP包解压2. 快速启动3步运行分析服务准备工作完成后现在开始最核心的部分——启动YOLO X Layout服务。整个过程只需要三步比你想的要简单得多。2.1 第一步启动服务进入YOLO X Layout的目录运行启动命令cd /root/yolo_x_layout python /root/yolo_x_layout/app.py如果你是自己下载的代码路径可能不同比如cd D:\yolo_x_layout python app.py运行后你会看到类似这样的输出Running on local URL: http://0.0.0.0:7860这说明服务已经成功启动了如果看到这个提示恭喜你最难的部分已经完成了。常见问题解决如果提示“No module named gradio”说明依赖库没装好回到1.2节重新安装如果端口7860被占用可以修改代码中的端口号或者关闭占用该端口的程序2.2 第二步打开Web界面服务启动后打开你的浏览器Chrome、Edge、Firefox都可以在地址栏输入http://localhost:7860按回车你会看到一个简洁的Web界面。这个界面就是YOLO X Layout的操作面板所有功能都在这里。界面主要分为三个区域上传区域左上角可以拖放图片或者点击选择文件参数设置中间部分可以调整识别灵敏度结果显示右侧显示分析后的图片和识别结果2.3 第三步上传图片并分析现在我们来实际体验一下。找一张文档图片可以是论文页面的截图报告文档的照片书籍页面的扫描件任何包含文字、表格、图片的文档操作步骤点击“Upload Image”按钮选择你的文档图片图片会显示在左侧预览区调整“Confidence Threshold”置信度阈值这个值控制识别的严格程度值越低如0.1识别出的元素越多但可能包含错误值越高如0.5识别越严格准确率更高但可能漏掉一些元素建议从0.25开始尝试点击“Analyze Layout”按钮等待几秒钟右侧会显示分析结果分析完成后你会看到原图上多了很多彩色框框每个框代表一个识别出的元素。不同颜色的框表示不同的元素类型蓝色框文本Text绿色框表格Table红色框图片Picture黄色框标题Title紫色框页眉Page-header等等...右侧还会显示识别结果的详细信息包括每个元素的位置、类型和置信度。3. 实际应用让AI帮你处理文档现在服务已经跑起来了你可能想知道这玩意儿到底能干什么别急我来给你展示几个实际的应用场景你会发现它比想象中更有用。3.1 场景一快速提取文档结构假设你有一篇学术论文的扫描件想要快速了解它的结构。传统方法需要一页页看现在用YOLO X Layout几秒钟就能搞定。import requests import json def analyze_document(image_path): 分析文档结构提取关键信息 # API地址就是刚才启动的服务 url http://localhost:7860/api/predict # 准备请求 with open(image_path, rb) as f: files {image: f} data {conf_threshold: 0.25} # 置信度阈值 # 发送请求 response requests.post(url, filesfiles, datadata) if response.status_code 200: result response.json() return result else: print(f请求失败: {response.status_code}) return None # 使用示例 result analyze_document(research_paper.png) if result: print( 文档分析结果 ) print(f总共识别到 {len(result[predictions])} 个元素) # 统计各类元素数量 element_counts {} for item in result[predictions]: element_type item[class] element_counts[element_type] element_counts.get(element_type, 0) 1 print(\n元素类型统计:) for elem_type, count in element_counts.items(): print(f {elem_type}: {count}个) # 找出标题通常在最上方 titles [item for item in result[predictions] if item[class] Title] if titles: # 按Y坐标排序最上面的可能是主标题 titles.sort(keylambda x: x[bbox][1]) print(f\n找到标题位置: {titles[0][bbox]})运行这个脚本你会得到类似这样的输出 文档分析结果 总共识别到 47 个元素 元素类型统计: Text: 32个 Title: 2个 Section-header: 5个 Picture: 3个 Table: 2个 Formula: 3个 找到标题位置: [120, 85, 480, 130]这样你就快速了解了文档的结构有2个标题、5个小节、3张图片、2个表格、3个公式还有32段正文。3.2 场景二批量处理文档图片如果你有很多文档需要处理一个一个上传太麻烦了。我们可以写个脚本批量处理。import os import time from pathlib import Path def batch_process_documents(input_folder, output_folder): 批量处理文件夹中的所有文档图片 # 创建输出文件夹 os.makedirs(output_folder, exist_okTrue) # 支持的图片格式 image_extensions [.png, .jpg, .jpeg, .bmp, .tiff, .webp] # 获取所有图片文件 image_files [] for ext in image_extensions: image_files.extend(Path(input_folder).glob(f*{ext})) image_files.extend(Path(input_folder).glob(f*{ext.upper()})) print(f找到 {len(image_files)} 个文档需要处理) results [] for i, image_path in enumerate(image_files, 1): print(f处理第 {i}/{len(image_files)} 个: {image_path.name}) start_time time.time() try: # 分析文档 result analyze_document(str(image_path)) if result: # 保存结果到JSON文件 output_file Path(output_folder) / f{image_path.stem}_result.json with open(output_file, w, encodingutf-8) as f: json.dump(result, f, ensure_asciiFalse, indent2) # 统计信息 process_time time.time() - start_time element_count len(result[predictions]) results.append({ filename: image_path.name, status: success, elements: element_count, time: round(process_time, 2) }) print(f 成功! 识别到 {element_count} 个元素耗时 {process_time:.2f}秒) else: results.append({ filename: image_path.name, status: failed, error: 分析失败 }) print(f 失败!) except Exception as e: results.append({ filename: image_path.name, status: error, error: str(e) }) print(f 错误: {e}) # 稍微休息一下避免请求过快 time.sleep(0.5) # 生成处理报告 print(\n *50) print(批量处理完成!) print(*50) success_count sum(1 for r in results if r[status] success) failed_count sum(1 for r in results if r[status] failed) error_count sum(1 for r in results if r[status] error) print(f成功: {success_count} 个) print(f失败: {failed_count} 个) print(f错误: {error_count} 个) if success_count 0: avg_time sum(r[time] for r in results if time in r) / success_count avg_elements sum(r[elements] for r in results if elements in r) / success_count print(f平均处理时间: {avg_time:.2f}秒/个) print(f平均元素数量: {avg_elements:.1f}个/文档) return results # 使用示例 if __name__ __main__: # 输入文件夹放你要处理的文档图片 input_folder documents_to_process # 输出文件夹保存分析结果 output_folder analysis_results # 开始批量处理 batch_process_documents(input_folder, output_folder)这个脚本会扫描指定文件夹中的所有图片逐个发送给YOLO X Layout分析把结果保存为JSON文件生成处理报告你只需要把文档图片放到一个文件夹里运行脚本然后去喝杯咖啡回来时所有文档都分析完了。3.3 场景三提取特定类型的内容有时候我们只关心文档中的特定内容比如只想提取所有表格或者只想找图片。我们可以对识别结果进行过滤。def extract_specific_elements(image_path, target_typesNone): 提取文档中特定类型的元素 参数 image_path: 图片路径 target_types: 要提取的元素类型列表如 [Table, Picture] if target_types is None: target_types [Table, Picture] # 默认提取表格和图片 # 分析文档 result analyze_document(image_path) if not result: return None # 过滤出目标类型的元素 target_elements [] for item in result[predictions]: if item[class] in target_types: target_elements.append(item) # 按位置排序从上到下从左到右 target_elements.sort(keylambda x: (x[bbox][1], x[bbox][0])) # 整理结果 extracted_data { filename: os.path.basename(image_path), total_elements: len(result[predictions]), target_elements: len(target_elements), details: {} } # 按类型分组 for elem_type in target_types: type_elements [e for e in target_elements if e[class] elem_type] extracted_data[details][elem_type] { count: len(type_elements), positions: [e[bbox] for e in type_elements], confidences: [e[confidence] for e in type_elements] } return extracted_data def save_elements_as_images(image_path, element_data, output_folder): 将识别出的元素保存为单独的图片 import cv2 # 读取原图 image cv2.imread(image_path) if image is None: print(f无法读取图片: {image_path}) return # 创建输出文件夹 os.makedirs(output_folder, exist_okTrue) # 提取文件名不含扩展名 base_name os.path.splitext(os.path.basename(image_path))[0] saved_count 0 # 遍历所有目标元素 for elem_type, data in element_data[details].items(): for i, bbox in enumerate(data[positions]): # bbox格式: [x1, y1, x2, y2] x1, y1, x2, y2 map(int, bbox) # 确保坐标在图片范围内 height, width image.shape[:2] x1, y1 max(0, x1), max(0, y1) x2, y2 min(width, x2), min(height, y2) # 裁剪元素区域 element_img image[y1:y2, x1:x2] if element_img.size 0: # 确保不是空图片 # 保存图片 output_path os.path.join( output_folder, f{base_name}_{elem_type}_{i1}.png ) cv2.imwrite(output_path, element_img) saved_count 1 print(f成功保存 {saved_count} 个元素图片到 {output_folder}) # 使用示例 if __name__ __main__: # 提取文档中的所有表格和图片 document_path business_report.png # 第一步分析并提取特定元素 element_data extract_specific_elements( document_path, target_types[Table, Picture, Formula] ) if element_data: print(f文档: {element_data[filename]}) print(f总元素数: {element_data[total_elements]}) print(f目标元素数: {element_data[target_elements]}) for elem_type, data in element_data[details].items(): print(f\n{elem_type}:) print(f 数量: {data[count]}个) print(f 平均置信度: {sum(data[confidences])/len(data[confidences]):.2f}) # 第二步将这些元素保存为单独的图片 save_elements_as_images( document_path, element_data, extracted_elements )这个脚本特别有用比如从报告中提取所有表格单独保存从论文中提取所有公式用于后续识别从文档中提取所有图片建立图片库4. 常见问题与技巧刚开始使用YOLO X Layout时你可能会遇到一些小问题。别担心大部分问题都有简单的解决方法。4.1 识别效果不理想怎么办如果你发现识别结果不太准确可以尝试这些方法调整置信度阈值在Web界面中尝试不同的阈值0.1、0.25、0.4、0.5对于清晰的文档可以用更高的阈值0.4-0.5对于模糊或复杂的文档用较低的阈值0.1-0.25预处理图片确保图片清晰文字可读如果图片歪了可以先旋转摆正调整对比度让文字更清晰简单的Python预处理代码import cv2 def preprocess_image(image_path): # 读取图片 img cv2.imread(image_path) # 转为灰度图 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 提高对比度 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8)) enhanced clahe.apply(gray) # 保存处理后的图片 output_path processed_ os.path.basename(image_path) cv2.imwrite(output_path, enhanced) return output_path尝试不同的模型YOLO X Layout支持三种模型可以在代码中切换# 在app.py中修改这行代码 # 默认是 yolox_l0.05可以改为 # - yolox_tiny (最快精度较低) # - yolox_l0.05_quantized (平衡型) # - yolox_l0.05 (最精确最慢) model_name yolox_l0.05_quantized4.2 处理速度太慢怎么办如果觉得分析速度不够快可以尝试这些优化缩小图片尺寸def resize_image(image_path, max_width1200): 缩小图片尺寸加快处理速度 img cv2.imread(image_path) height, width img.shape[:2] if width max_width: # 等比例缩小 ratio max_width / width new_width max_width new_height int(height * ratio) resized cv2.resize(img, (new_width, new_height)) output_path resized_ os.path.basename(image_path) cv2.imwrite(output_path, resized) return output_path return image_path批量处理时使用多线程from concurrent.futures import ThreadPoolExecutor, as_completed def fast_batch_process(image_files, max_workers4): 使用多线程加速批量处理 results [] def process_one(file_path): return analyze_document(file_path) with ThreadPoolExecutor(max_workersmax_workers) as executor: # 提交所有任务 future_to_file { executor.submit(process_one, file): file for file in image_files } # 收集结果 for future in as_completed(future_to_file): file_path future_to_file[future] try: result future.result() results.append((file_path, result)) print(f完成: {os.path.basename(file_path)}) except Exception as e: print(f错误处理 {file_path}: {e}) return results使用更快的模型如果不需要最高精度切换到yolox_tiny模型速度能提升3-5倍精度略有下降4.3 如何集成到自己的项目中YOLO X Layout提供了API接口可以轻松集成到其他项目中class DocumentAnalyzer: 文档分析器方便在其他项目中调用 def __init__(self, api_urlhttp://localhost:7860/api/predict): self.api_url api_url self.session requests.Session() # 使用会话提高性能 def analyze(self, image_path, conf_threshold0.25): 分析单个文档 try: with open(image_path, rb) as f: files {image: f} data {conf_threshold: conf_threshold} response self.session.post( self.api_url, filesfiles, datadata, timeout30 # 设置超时时间 ) if response.status_code 200: return response.json() else: print(fAPI错误: {response.status_code}) return None except Exception as e: print(f分析失败: {e}) return None def analyze_multiple(self, image_paths, conf_threshold0.25): 分析多个文档 results {} for path in image_paths: print(f分析: {path}) result self.analyze(path, conf_threshold) results[path] result return results def get_statistics(self, image_path): 获取文档统计信息 result self.analyze(image_path) if not result: return None stats { total_elements: len(result.get(predictions, [])), by_type: {}, avg_confidence: 0 } confidences [] for item in result.get(predictions, []): elem_type item[class] stats[by_type][elem_type] stats[by_type].get(elem_type, 0) 1 confidences.append(item[confidence]) if confidences: stats[avg_confidence] sum(confidences) / len(confidences) return stats # 使用示例 if __name__ __main__: # 创建分析器实例 analyzer DocumentAnalyzer() # 分析单个文档 doc_result analyzer.analyze(document.png) # 获取统计信息 stats analyzer.get_statistics(document.png) if stats: print(f文档元素统计:) print(f总元素数: {stats[total_elements]}) print(f平均置信度: {stats[avg_confidence]:.2f}) print(按类型分布:) for elem_type, count in stats[by_type].items(): print(f {elem_type}: {count}个) # 批量分析 documents [doc1.png, doc2.png, doc3.png] batch_results analyzer.analyze_multiple(documents)5. 总结通过这篇文章你已经掌握了YOLO X Layout的基本使用方法。让我们回顾一下关键步骤第一步安装准备安装Python和必要的依赖库获取YOLO X Layout的代码。这一步就像搭积木前先把积木准备好。第二步启动服务运行一个简单的命令启动文档分析服务。看到“Running on local URL”就说明成功了。第三步开始使用打开浏览器上传文档图片点击分析按钮几秒钟后就能看到结果。不同颜色的框框告诉你哪里是文字、哪里是表格、哪里是图片。实际应用场景学术论文分析快速了解论文结构商业报告处理提取表格和数据文档数字化将纸质文档转为结构化数据内容提取批量提取特定类型的内容使用技巧调整置信度阈值可以平衡准确率和召回率预处理图片能提高识别效果批量处理时可以使用多线程加速通过API可以轻松集成到其他项目YOLO X Layout最棒的地方在于它把复杂的AI技术封装成了一个简单的工具。你不需要懂深度学习不需要训练模型甚至不需要写很多代码就能享受到AI带来的便利。现在你已经有了一个强大的文档分析工具。无论是处理工作文档、分析研究报告还是整理学习资料它都能帮你节省大量时间。技术不应该只是专家的玩具而是每个人都能使用的工具。希望YOLO X Layout能成为你工作中的得力助手。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
YOLO X Layout新手入门：3步搭建文档版面分析工具，小白也能搞定
YOLO X Layout新手入门3步搭建文档版面分析工具小白也能搞定你是不是经常需要处理各种文档图片想要快速识别出里面的文字区域、表格、图片和标题手动标注不仅耗时耗力还容易出错。今天我要介绍的YOLO X Layout就是一个能帮你自动分析文档版面的AI工具。想象一下你拍了一张论文页面的照片上传到这个工具几秒钟后它就能告诉你这里是标题这里是正文段落这里有个表格那边是图片。整个过程完全自动化不需要你懂复杂的AI技术也不需要写很多代码。我刚开始接触这个工具时以为会很复杂结果发现只要三步就能搞定。这篇文章就是为你这样的新手准备的我会用最直白的方式带你从零开始搭建YOLO X Layout让你也能轻松玩转文档版面分析。1. 准备工作安装必要的软件在开始之前我们需要先装几个必要的软件。别担心都是免费的而且安装过程很简单。1.1 安装Python环境YOLO X Layout是用Python写的所以我们需要先安装Python。如果你已经安装了Python 3.8或更高版本可以跳过这一步。安装步骤访问Python官网https://www.python.org/downloads/下载最新的Python安装包选择3.8或更高版本运行安装程序一定要勾选“Add Python to PATH”这样系统才能找到Python点击“Install Now”开始安装验证安装 打开命令提示符Windows按WinR输入cmd输入python --version如果显示Python版本号比如“Python 3.10.0”说明安装成功。1.2 安装必要的依赖库Python装好后我们需要安装几个YOLO X Layout需要的库。这些库就像工具包让程序能正常运行。打开命令提示符逐行输入以下命令pip install gradio4.0.0 pip install opencv-python4.8.0 pip install numpy1.24.0 pip install onnxruntime1.16.0 pip install requests每个命令执行完看到“Successfully installed”就说明成功了。如果遇到网络问题可以尝试使用国内镜像源pip install gradio -i https://pypi.tuna.tsinghua.edu.cn/simple1.3 下载YOLO X Layout代码现在我们需要获取YOLO X Layout的源代码。如果你用的是CSDN星图镜像这一步可能已经完成了。如果没有可以这样获取创建一个工作文件夹比如在D盘新建一个“yolo_x_layout”文件夹打开命令提示符进入这个文件夹cd D:\yolo_x_layout如果你有Git可以克隆代码库git clone https://github.com/unstructuredio/yolo-x-layout.git如果没有Git也可以直接下载ZIP包解压2. 快速启动3步运行分析服务准备工作完成后现在开始最核心的部分——启动YOLO X Layout服务。整个过程只需要三步比你想的要简单得多。2.1 第一步启动服务进入YOLO X Layout的目录运行启动命令cd /root/yolo_x_layout python /root/yolo_x_layout/app.py如果你是自己下载的代码路径可能不同比如cd D:\yolo_x_layout python app.py运行后你会看到类似这样的输出Running on local URL: http://0.0.0.0:7860这说明服务已经成功启动了如果看到这个提示恭喜你最难的部分已经完成了。常见问题解决如果提示“No module named gradio”说明依赖库没装好回到1.2节重新安装如果端口7860被占用可以修改代码中的端口号或者关闭占用该端口的程序2.2 第二步打开Web界面服务启动后打开你的浏览器Chrome、Edge、Firefox都可以在地址栏输入http://localhost:7860按回车你会看到一个简洁的Web界面。这个界面就是YOLO X Layout的操作面板所有功能都在这里。界面主要分为三个区域上传区域左上角可以拖放图片或者点击选择文件参数设置中间部分可以调整识别灵敏度结果显示右侧显示分析后的图片和识别结果2.3 第三步上传图片并分析现在我们来实际体验一下。找一张文档图片可以是论文页面的截图报告文档的照片书籍页面的扫描件任何包含文字、表格、图片的文档操作步骤点击“Upload Image”按钮选择你的文档图片图片会显示在左侧预览区调整“Confidence Threshold”置信度阈值这个值控制识别的严格程度值越低如0.1识别出的元素越多但可能包含错误值越高如0.5识别越严格准确率更高但可能漏掉一些元素建议从0.25开始尝试点击“Analyze Layout”按钮等待几秒钟右侧会显示分析结果分析完成后你会看到原图上多了很多彩色框框每个框代表一个识别出的元素。不同颜色的框表示不同的元素类型蓝色框文本Text绿色框表格Table红色框图片Picture黄色框标题Title紫色框页眉Page-header等等...右侧还会显示识别结果的详细信息包括每个元素的位置、类型和置信度。3. 实际应用让AI帮你处理文档现在服务已经跑起来了你可能想知道这玩意儿到底能干什么别急我来给你展示几个实际的应用场景你会发现它比想象中更有用。3.1 场景一快速提取文档结构假设你有一篇学术论文的扫描件想要快速了解它的结构。传统方法需要一页页看现在用YOLO X Layout几秒钟就能搞定。import requests import json def analyze_document(image_path): 分析文档结构提取关键信息 # API地址就是刚才启动的服务 url http://localhost:7860/api/predict # 准备请求 with open(image_path, rb) as f: files {image: f} data {conf_threshold: 0.25} # 置信度阈值 # 发送请求 response requests.post(url, filesfiles, datadata) if response.status_code 200: result response.json() return result else: print(f请求失败: {response.status_code}) return None # 使用示例 result analyze_document(research_paper.png) if result: print( 文档分析结果 ) print(f总共识别到 {len(result[predictions])} 个元素) # 统计各类元素数量 element_counts {} for item in result[predictions]: element_type item[class] element_counts[element_type] element_counts.get(element_type, 0) 1 print(\n元素类型统计:) for elem_type, count in element_counts.items(): print(f {elem_type}: {count}个) # 找出标题通常在最上方 titles [item for item in result[predictions] if item[class] Title] if titles: # 按Y坐标排序最上面的可能是主标题 titles.sort(keylambda x: x[bbox][1]) print(f\n找到标题位置: {titles[0][bbox]})运行这个脚本你会得到类似这样的输出 文档分析结果 总共识别到 47 个元素 元素类型统计: Text: 32个 Title: 2个 Section-header: 5个 Picture: 3个 Table: 2个 Formula: 3个 找到标题位置: [120, 85, 480, 130]这样你就快速了解了文档的结构有2个标题、5个小节、3张图片、2个表格、3个公式还有32段正文。3.2 场景二批量处理文档图片如果你有很多文档需要处理一个一个上传太麻烦了。我们可以写个脚本批量处理。import os import time from pathlib import Path def batch_process_documents(input_folder, output_folder): 批量处理文件夹中的所有文档图片 # 创建输出文件夹 os.makedirs(output_folder, exist_okTrue) # 支持的图片格式 image_extensions [.png, .jpg, .jpeg, .bmp, .tiff, .webp] # 获取所有图片文件 image_files [] for ext in image_extensions: image_files.extend(Path(input_folder).glob(f*{ext})) image_files.extend(Path(input_folder).glob(f*{ext.upper()})) print(f找到 {len(image_files)} 个文档需要处理) results [] for i, image_path in enumerate(image_files, 1): print(f处理第 {i}/{len(image_files)} 个: {image_path.name}) start_time time.time() try: # 分析文档 result analyze_document(str(image_path)) if result: # 保存结果到JSON文件 output_file Path(output_folder) / f{image_path.stem}_result.json with open(output_file, w, encodingutf-8) as f: json.dump(result, f, ensure_asciiFalse, indent2) # 统计信息 process_time time.time() - start_time element_count len(result[predictions]) results.append({ filename: image_path.name, status: success, elements: element_count, time: round(process_time, 2) }) print(f 成功! 识别到 {element_count} 个元素耗时 {process_time:.2f}秒) else: results.append({ filename: image_path.name, status: failed, error: 分析失败 }) print(f 失败!) except Exception as e: results.append({ filename: image_path.name, status: error, error: str(e) }) print(f 错误: {e}) # 稍微休息一下避免请求过快 time.sleep(0.5) # 生成处理报告 print(\n *50) print(批量处理完成!) print(*50) success_count sum(1 for r in results if r[status] success) failed_count sum(1 for r in results if r[status] failed) error_count sum(1 for r in results if r[status] error) print(f成功: {success_count} 个) print(f失败: {failed_count} 个) print(f错误: {error_count} 个) if success_count 0: avg_time sum(r[time] for r in results if time in r) / success_count avg_elements sum(r[elements] for r in results if elements in r) / success_count print(f平均处理时间: {avg_time:.2f}秒/个) print(f平均元素数量: {avg_elements:.1f}个/文档) return results # 使用示例 if __name__ __main__: # 输入文件夹放你要处理的文档图片 input_folder documents_to_process # 输出文件夹保存分析结果 output_folder analysis_results # 开始批量处理 batch_process_documents(input_folder, output_folder)这个脚本会扫描指定文件夹中的所有图片逐个发送给YOLO X Layout分析把结果保存为JSON文件生成处理报告你只需要把文档图片放到一个文件夹里运行脚本然后去喝杯咖啡回来时所有文档都分析完了。3.3 场景三提取特定类型的内容有时候我们只关心文档中的特定内容比如只想提取所有表格或者只想找图片。我们可以对识别结果进行过滤。def extract_specific_elements(image_path, target_typesNone): 提取文档中特定类型的元素 参数 image_path: 图片路径 target_types: 要提取的元素类型列表如 [Table, Picture] if target_types is None: target_types [Table, Picture] # 默认提取表格和图片 # 分析文档 result analyze_document(image_path) if not result: return None # 过滤出目标类型的元素 target_elements [] for item in result[predictions]: if item[class] in target_types: target_elements.append(item) # 按位置排序从上到下从左到右 target_elements.sort(keylambda x: (x[bbox][1], x[bbox][0])) # 整理结果 extracted_data { filename: os.path.basename(image_path), total_elements: len(result[predictions]), target_elements: len(target_elements), details: {} } # 按类型分组 for elem_type in target_types: type_elements [e for e in target_elements if e[class] elem_type] extracted_data[details][elem_type] { count: len(type_elements), positions: [e[bbox] for e in type_elements], confidences: [e[confidence] for e in type_elements] } return extracted_data def save_elements_as_images(image_path, element_data, output_folder): 将识别出的元素保存为单独的图片 import cv2 # 读取原图 image cv2.imread(image_path) if image is None: print(f无法读取图片: {image_path}) return # 创建输出文件夹 os.makedirs(output_folder, exist_okTrue) # 提取文件名不含扩展名 base_name os.path.splitext(os.path.basename(image_path))[0] saved_count 0 # 遍历所有目标元素 for elem_type, data in element_data[details].items(): for i, bbox in enumerate(data[positions]): # bbox格式: [x1, y1, x2, y2] x1, y1, x2, y2 map(int, bbox) # 确保坐标在图片范围内 height, width image.shape[:2] x1, y1 max(0, x1), max(0, y1) x2, y2 min(width, x2), min(height, y2) # 裁剪元素区域 element_img image[y1:y2, x1:x2] if element_img.size 0: # 确保不是空图片 # 保存图片 output_path os.path.join( output_folder, f{base_name}_{elem_type}_{i1}.png ) cv2.imwrite(output_path, element_img) saved_count 1 print(f成功保存 {saved_count} 个元素图片到 {output_folder}) # 使用示例 if __name__ __main__: # 提取文档中的所有表格和图片 document_path business_report.png # 第一步分析并提取特定元素 element_data extract_specific_elements( document_path, target_types[Table, Picture, Formula] ) if element_data: print(f文档: {element_data[filename]}) print(f总元素数: {element_data[total_elements]}) print(f目标元素数: {element_data[target_elements]}) for elem_type, data in element_data[details].items(): print(f\n{elem_type}:) print(f 数量: {data[count]}个) print(f 平均置信度: {sum(data[confidences])/len(data[confidences]):.2f}) # 第二步将这些元素保存为单独的图片 save_elements_as_images( document_path, element_data, extracted_elements )这个脚本特别有用比如从报告中提取所有表格单独保存从论文中提取所有公式用于后续识别从文档中提取所有图片建立图片库4. 常见问题与技巧刚开始使用YOLO X Layout时你可能会遇到一些小问题。别担心大部分问题都有简单的解决方法。4.1 识别效果不理想怎么办如果你发现识别结果不太准确可以尝试这些方法调整置信度阈值在Web界面中尝试不同的阈值0.1、0.25、0.4、0.5对于清晰的文档可以用更高的阈值0.4-0.5对于模糊或复杂的文档用较低的阈值0.1-0.25预处理图片确保图片清晰文字可读如果图片歪了可以先旋转摆正调整对比度让文字更清晰简单的Python预处理代码import cv2 def preprocess_image(image_path): # 读取图片 img cv2.imread(image_path) # 转为灰度图 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 提高对比度 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8)) enhanced clahe.apply(gray) # 保存处理后的图片 output_path processed_ os.path.basename(image_path) cv2.imwrite(output_path, enhanced) return output_path尝试不同的模型YOLO X Layout支持三种模型可以在代码中切换# 在app.py中修改这行代码 # 默认是 yolox_l0.05可以改为 # - yolox_tiny (最快精度较低) # - yolox_l0.05_quantized (平衡型) # - yolox_l0.05 (最精确最慢) model_name yolox_l0.05_quantized4.2 处理速度太慢怎么办如果觉得分析速度不够快可以尝试这些优化缩小图片尺寸def resize_image(image_path, max_width1200): 缩小图片尺寸加快处理速度 img cv2.imread(image_path) height, width img.shape[:2] if width max_width: # 等比例缩小 ratio max_width / width new_width max_width new_height int(height * ratio) resized cv2.resize(img, (new_width, new_height)) output_path resized_ os.path.basename(image_path) cv2.imwrite(output_path, resized) return output_path return image_path批量处理时使用多线程from concurrent.futures import ThreadPoolExecutor, as_completed def fast_batch_process(image_files, max_workers4): 使用多线程加速批量处理 results [] def process_one(file_path): return analyze_document(file_path) with ThreadPoolExecutor(max_workersmax_workers) as executor: # 提交所有任务 future_to_file { executor.submit(process_one, file): file for file in image_files } # 收集结果 for future in as_completed(future_to_file): file_path future_to_file[future] try: result future.result() results.append((file_path, result)) print(f完成: {os.path.basename(file_path)}) except Exception as e: print(f错误处理 {file_path}: {e}) return results使用更快的模型如果不需要最高精度切换到yolox_tiny模型速度能提升3-5倍精度略有下降4.3 如何集成到自己的项目中YOLO X Layout提供了API接口可以轻松集成到其他项目中class DocumentAnalyzer: 文档分析器方便在其他项目中调用 def __init__(self, api_urlhttp://localhost:7860/api/predict): self.api_url api_url self.session requests.Session() # 使用会话提高性能 def analyze(self, image_path, conf_threshold0.25): 分析单个文档 try: with open(image_path, rb) as f: files {image: f} data {conf_threshold: conf_threshold} response self.session.post( self.api_url, filesfiles, datadata, timeout30 # 设置超时时间 ) if response.status_code 200: return response.json() else: print(fAPI错误: {response.status_code}) return None except Exception as e: print(f分析失败: {e}) return None def analyze_multiple(self, image_paths, conf_threshold0.25): 分析多个文档 results {} for path in image_paths: print(f分析: {path}) result self.analyze(path, conf_threshold) results[path] result return results def get_statistics(self, image_path): 获取文档统计信息 result self.analyze(image_path) if not result: return None stats { total_elements: len(result.get(predictions, [])), by_type: {}, avg_confidence: 0 } confidences [] for item in result.get(predictions, []): elem_type item[class] stats[by_type][elem_type] stats[by_type].get(elem_type, 0) 1 confidences.append(item[confidence]) if confidences: stats[avg_confidence] sum(confidences) / len(confidences) return stats # 使用示例 if __name__ __main__: # 创建分析器实例 analyzer DocumentAnalyzer() # 分析单个文档 doc_result analyzer.analyze(document.png) # 获取统计信息 stats analyzer.get_statistics(document.png) if stats: print(f文档元素统计:) print(f总元素数: {stats[total_elements]}) print(f平均置信度: {stats[avg_confidence]:.2f}) print(按类型分布:) for elem_type, count in stats[by_type].items(): print(f {elem_type}: {count}个) # 批量分析 documents [doc1.png, doc2.png, doc3.png] batch_results analyzer.analyze_multiple(documents)5. 总结通过这篇文章你已经掌握了YOLO X Layout的基本使用方法。让我们回顾一下关键步骤第一步安装准备安装Python和必要的依赖库获取YOLO X Layout的代码。这一步就像搭积木前先把积木准备好。第二步启动服务运行一个简单的命令启动文档分析服务。看到“Running on local URL”就说明成功了。第三步开始使用打开浏览器上传文档图片点击分析按钮几秒钟后就能看到结果。不同颜色的框框告诉你哪里是文字、哪里是表格、哪里是图片。实际应用场景学术论文分析快速了解论文结构商业报告处理提取表格和数据文档数字化将纸质文档转为结构化数据内容提取批量提取特定类型的内容使用技巧调整置信度阈值可以平衡准确率和召回率预处理图片能提高识别效果批量处理时可以使用多线程加速通过API可以轻松集成到其他项目YOLO X Layout最棒的地方在于它把复杂的AI技术封装成了一个简单的工具。你不需要懂深度学习不需要训练模型甚至不需要写很多代码就能享受到AI带来的便利。现在你已经有了一个强大的文档分析工具。无论是处理工作文档、分析研究报告还是整理学习资料它都能帮你节省大量时间。技术不应该只是专家的玩具而是每个人都能使用的工具。希望YOLO X Layout能成为你工作中的得力助手。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
