企业官网建设流程全解析

PaddleOCR PP-Structure 系列模型库全解析：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

本文围绕 docs/version2.x/ppstructure/ppstructure_model.md 展开，系统梳理 PP-Structure 版面分析、OCR、表格识别与 KIE 关键信息抽取四类模型的适用场景、推理模型大小、精度与下载方式，并结合仓库中的字典文件与ppstructure目录源码说明模型与配置的对应关系，帮助你在实际文档理解任务中快速完成模型选型与搭配。

PP-Structure 是 PaddleOCR 团队自研的智能文档分析系统，覆盖版面分析、表格识别、关键信息抽取（KIE）等文档理解任务（详见 overview.md）。其中模型列表页是选型的第一入口，它按“版面分析 → OCR 与表格识别 → KIE”三层结构给出官方可用模型及其配套字典文件。读完本文，你将掌握每类模型的类别划分能力、中英文适用场景、精度与体积权衡，以及如何用det_model_dir、rec_model_dir、layout_model_dir等字段替换为自训模型。

一、版面分析模型：从整页文档到语义区域

版面分析是 PP-Structure 流水线的第一步，负责把文档图像划分为文字、标题、表格、图片等不同语义区域，供后续 OCR、表格识别等模块分别处理。模型列表中共收录 6 个版面分析模型，分为 PicoDet 轻量系列与 PP-YOLOv2 高精度系列两条路线。

1.1 轻量级：PicoDet LCNet_x1_0 FGD 蒸馏系列

三个轻量模型均为 9.7M 推理模型，采用 LCNet_x1_0 骨干网络与 FGD（Feature-map-level Gathered Distillation，特征图级聚合蒸馏）技术训练，兼顾速度与精度。三者的差异完全由训练数据与字典决定：

• 英文通用版面：PubLayNet 是公开英文版面数据集，对应字典layout_publaynet_dict.txt内容为text / title / list / table / figure五类标签；
• 中文通用版面：CDLA 中文数据集对应字典layout_cdla_dict.txt，内容为text / title / figure / figure_caption / table / table_caption / header / footer / reference / equation十类标签，覆盖了页眉页脚、公式等中文论文排版常见区域；
• 纯表格检测：layout_table_dict.txt只包含table一个类别，专门用于定位表格区域，适合已明确目标为表格抽取的场景。

字典文件在仓库中的实际位置为ppocr/utils/dict/layout_dict/目录下，上述三个文件均已确认存在，与文档中的dict path列一一对应。

1.2 高精度：PP-YOLOv2 R50vd DCN 系列

PP-YOLOv2 系列采用 R50vd 骨干与 DCN 可变形卷积，推理模型大小约 221M，适合对版面区域检测精度要求高、对模型体积不敏感的服务端场景。其中 TableBank Word 与 TableBank Latex 两个模型分别针对 Word 渲染表格与 LaTeX 排版表格训练，均是表格区域检测专用模型。

1.3 从源码看版面分析流程

仓库中版面分析的实际执行逻辑位于 ppstructure/layout/predict_layout.py 的LayoutPredictor类。从源码结构看，其前处理将输入图像 Resize 到[800, 608]，按 ImageNet 均值方差归一化；后处理构建PicoDetPostProcess时传入三个关键参数：

• layout_dict_path：即上文提到的字典文件路径，用于将模型输出的类别索引映射为区域名称；
• score_threshold：检测框置信度阈值（默认 0.5）；
• nms_threshold：非极大值抑制阈值（默认 0.5）。

因此，当你替换版面分析模型时，必须同步更换对应的字典文件，否则类别编号与区域名称将错位，这正是模型列表中为每个版面分析模型单独列出dict path列的原因。

二、OCR 与表格识别模型：结构化读取的前置与核心

版面分析划分出区域后，文本区域需要 OCR 识别，表格区域需要表格结构识别。模型列表将这部分分为 OCR 与表格识别两类。

2.1 OCR 模型

表格场景专用 OCR 模型在 PubTabNet 数据集上训练：

文档同时给出重要提示：如需使用其他 OCR 模型，可以在 PP-OCR model_list 下载模型，或使用自己训练好的模型配置到det_model_dir、rec_model_dir两个字段即可。这意味着 PP-Structure 的 OCR 环节完全复用 PP-OCR 的模型体系，中英文、多语种检测识别模型（如 PP-OCRv4_mobile_det/rec、PP-OCRv3_mobile_det/rec 等，见 PP-OCR 模型列表）均可直接接入。

2.2 表格识别模型

其中 SLANet（Structure Layout Analysis Network）是 PP-Structure 系列主推的表格结构识别模型，中英文各有一个版本，推理模型约 9.2~9.3M。表格识别输出的结果是一个包含表格 HTML 字符串的 dict，可进一步转换为 Excel 文件（save_structure_res会把每个表格另存为 xlsx，详见 quick_start.md 的返回结果说明）。

三、关键信息抽取（KIE）模型：SER 与 RE 双任务

KIE 任务包含两个子任务：

• SER（Semantic Entity Recognition，语义实体识别）：从文档中抽取语义实体，如发票上的金额、抬头等；
• RE（Relation Extraction，关系抽取）：建立实体之间的对应关系，如"问题-答案"配对。

3.1 XFUND_zh 数据集上的精度与速度对比

模型列表给出在 XFUND_zh 中文数据集上的 hmean 精度与 V100 GPU 推理耗时（仅 inference 模型推理耗时，不含前后处理）：

从表中可以清晰看出模型代际演进：

• VI-LayoutXLM在 XFUND_zh 上 SER 精度最高（93.19%）且耗时最短（15.49ms），是当前推荐首选；
• LayoutXLM次之（SER 90.38%），体积更大（1.4G）；
• LayoutLMv2与LayoutLM为较早的跨模态预训练模型，精度依次递减，其中 LayoutLM 推理耗时未给出（表中为-）。

注：上述预测耗时仅包含 inference 模型推理耗时，未统计预处理与后处理耗时；测试环境为V100 GPU + CUDA 10.2 + CUDNN 8.1.1 + TRT 7.2.3.4。

3.2 wildreceipt 数据集上的 SDMGR

SDMGR 在 wildreceipt 数据集上达到 86.70% 精度，体积仅 78M，适合票据类关键信息抽取场景。仓库中 KIE 相关训练配置位于 configs/kie 目录，按layoutlm_series、vi_layoutxlm、sdmgr三个子目录组织，与模型列表中的模型家族一一对应，可据此查看对应训练配置。

四、模型选型与搭配建议

PP-Structure 部分任务需要同时使用结构化分析模型与 OCR 模型（如表格识别需要表格结构模型解析结构，同时需要 OCR 模型识别单元格内文字）。结合模型列表与 overview.md 的说明，给出以下搭配思路：

1. 通用中英文文档理解：picodet_lcnet_x1_0_fgd_layout（英文）/picodet_lcnet_x1_0_fgd_layout_cdla（中文）做版面分析 + PP-OCR 检测识别模型做文字识别 + SLANet（中/英文）做表格结构识别，全流程模型体积可控，适合服务端常规部署；
2. 仅关注表格：可用picodet_lcnet_x1_0_fgd_layout_table或 TableBank 系列先定位表格区域，再送入表格识别模型；也可直接关闭版面分析（layout=false）跳过检测，单独跑表格识别；
3. 高精度版面分析：选用 PP-YOLOv2 R50vd DCN 系列（221M），代价是更高的显存占用与推理耗时；
4. 票据/证照关键信息抽取：SER 用ser_VI-LayoutXLM_xfund_zh（93.19% hmean），RE 用re_VI-LayoutXLM_xfund_zh，或轻量场景选用 SDMGR。

五、模型替换与自训模型接入

文档明确说明，版面分析模型可通过layout_model_dir字段指定，配套字典通过layout_dict_path指定（默认layout_publaynet_dict.txt）；OCR 模型通过det_model_dir、rec_model_dir替换；表格结构模型通过table_model_dir、table_char_dict_path配置；KIE 的 SER 模型通过ser_model_dir、ser_dict_path配置。相关参数及其默认值在 quick_start.md 的参数说明表中完整列出，主要包括：

需要注意：替换模型时字典必须与模型训练时使用的类别顺序一致。以版面分析为例，模型输出的类别索引正是按layout_publaynet_dict.txt、layout_cdla_dict.txt等文件中的行序编号的，字典错配将直接导致区域类别标注错误。

六、小结

PP-Structure 系列模型库围绕"版面分析 → OCR/表格识别 → 关键信息抽取"的文档理解链路，提供了轻量（PicoDet 9.7M / SLANet 9.2M）与高精度（PP-YOLOv2 221M / VI-LayoutXLM 1.1G）两条完整选型路线，且所有模型均可通过 whl 包参数自由组合替换。结合 ppstructure_model.md 的模型清单、models_list.md 的完整列表、overview.md 的系统流程与 quick_start.md 的实战教程，即可针对中英文文档解析、表格抽取、票据信息抽取等场景快速搭建可落地的结构化文档理解方案。

【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