yolov8m-table-extraction

项目介绍：yolov8m-table-extraction

yolov8m-table-extraction 项目是一个基于计算机视觉的对象检测模型，专门用于从图像中提取表格。它使用了最新的 YOLOv8 技术，能够高效地检测出图像中的有边框和无边框的表格结构。

基本信息

• 模型名称：keremberke/yolov8m-table-extraction
• 模型库名称：ultralytics
• 模型库版本：8.0.21
• 使用的数据集：keremberke/table-extraction
• 许可证：AGPL-3.0
• 性能指标：在验证集上的 mAP@0.5（box）为0.95194

标签支持

yolov8m-table-extraction 可以识别以下两种类型的表格：

• 有边框的表格（'bordered'）
• 无边框的表格（'borderless'）

使用说明

以下是如何在本地使用该模型进行表格检测的步骤：

1. 安装必要的库

   首先，需要安装 ultralyticsplus 库和 ultralytics 库，使用以下命令：

   pip install ultralyticsplus==0.0.23 ultralytics==8.0.21
   

2. 加载模型并进行预测

   然后，用 Python 加载模型并在图像上进行预测：

   from ultralyticsplus import YOLO, render_result
   
   # 加载模型
   model = YOLO('keremberke/yolov8m-table-extraction')
   
   # 设置模型参数
   model.overrides['conf'] = 0.25  # NMS 置信度阈值
   model.overrides['iou'] = 0.45  # NMS IoU 阈值
   model.overrides['agnostic_nms'] = False  # NMS 是否类无关
   model.overrides['max_det'] = 1000  # 每张图片的最大检测数
   
   # 设定要检测的图片
   image = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'
   
   # 执行推断
   results = model.predict(image)
   
   # 查看结果
   print(results[0].boxes)
   render = render_result(model=model, image=image, result=results[0])
   render.show()
   

更多模型信息

如果需要探索更多基于 YOLOv8 的优秀模型，可以访问 awesome-yolov8-models 以获取更多参考与选择。

该项目通过极高的精度和灵活性，为图像识别领域尤其是表格提取提供了强大的工具支持。随着技术的发展，这类模型将会在文档处理、数据分析等领域发挥越来越重要的作用。