PDF Document Layout Analysis PDF文档布局分析基于Docker的服务，用于PDF文档的OCR、分段、分类和元素排序分析

PDF Document Layout Analysis基于Docker的PDF文档布局分析服务，能够对PDF页面的不同部分进行分割和分类，识别出诸如文本、标题、图片、表格等元素，可确定这些元素的正确顺序。

PDF Document Layout Analysis有两种模型，一种是视觉模型（称为Vision Grid Transformer - VGT），由阿里巴巴研究团队训练，另一种是LightGBM模型，LightGBM模型不依赖于视觉信息，而是使用Poppler提取的XML信息。视觉模型通常表现更好，视觉模型可以看到整个页面并了解所有上下文，但资源消耗更大，LightGBM模型虽然性能稍差，但速度更快，资源消耗更少。

数据集

PDF Document Layout Analysis使用了DocLayNet数据集来训练模型，数据集包含11个类别：标题、脚注、公式、列表项、页脚、页眉、图片、节标题、表格、文本和标题。

使用方法

用户可以通过简单的命令行操作来使用这个服务。

使用视觉模型进行分析：

curl -X POST -F 'file=@/PATH/TO/PDF/pdf_name.pdf' localhost:5060

如果用户希望使用LightGBM模型，可以使用以下命令：

curl -X POST -F 'file=@/PATH/TO/PDF/pdf_name.pdf' -F "fast=true" localhost:5060

输出结果

当处理完成后，输出将包括一系列SegmentBox元素，每个元素都包含有关其位置和类型的信息，用户还可以通过以下命令获取可视化结果：

curl -X POST -F 'file=@/PATH/TO/PDF/pdf_name.pdf' localhost:5060/visualize -o '/PATH/TO/OUTPUT_PDF/pdf_name.pdf'

性能基准

VGT模型在PubLayNet数据集上的基准测试结果显示，整体准确率为0.962，文本为0.962，标题为0.950，列表为0.939，表格为0.968，图片为0.981，公式为0.971。

对于15页的学术论文文档，GPU加速的VGT模型每页的处理时间为1.75秒，CPU上的VGT模型需要13.5秒。