docling-models

docling-models

将PDF文档中的版式与表格结构自动识别的开源模型

docling模型支持PDF文档的布局与表格结构分析。布局模型使用RT-DETR技术识别版式元素,如标题、脚注与图片,性能接近人类标准。TableFormer模型则在表格结构识别上表现优异,准确识别复杂表格。该项目可应用于多种需要文档处理的场景。

TableFormerPDF文档转换开源项目布局分析DoclingGithub表结构识别模型Huggingface

项目介绍:Docling Models

Docling Models 是一个专门为 PDF 文档转换包 docling 提供支持的模型集。该项目主要致力于通过机器学习技术来解析和理解 PDF 文档的布局和结构,为文档自动化处理提供强大的技术支持。

布局模型

布局模型是 Docling Models 的核心组件之一,它利用 RT-DETR 模型来识别 PDF 页面中的不同布局组件。具体而言,布局模型能够检测到以下标签:Caption(说明文字)、Footnote(脚注)、Formula(公式)、List-item(列表项)、Page-footer(页脚)、Page-header(页眉)、Picture(图片)、Section-header(章节标题)、Table(表格)、Text(文本)和 Title(标题)。

为了评估这个模型的性能,研究人员将其与标准的对象检测方法在 DocLayNet 数据集上的表现进行了对比。结果表明,与人类评估相比,尽管模型在某些标签上的准确率略有提高,但人类依然在某些标签的检测上更为准确。然而,在部分区域,如表格(Table)和文本(Text)方面,模型已经达到了较高的准确度,接近甚至超过人类评估水平。

TableFormer

TableFormer 是另一个关键模型,用于识别和解析文档中的表格结构。首先,它利用布局模型预测的表格区域来精确定位不同的表格,然后详细分析每个表格的结构。与其他表格解析工具相比,TableFormer 在识别复杂表格结构方面表现出了卓越的性能。例如,在简单和复杂表格上的识别准确率分别达到了95.4%和90.1%,整体表现优于市面上的主流工具。

总结

Docling Models 项目不仅提供了强大的文档版面解析和表格结构识别技术,还为自动化处理 PDF 文档打开了新的方向。通过不断的技术进步和模型优化,该项目有望成为推动文档处理和理解行业发展的重要力量。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多