阅读量:2
文章目录
摘要
记录一下，找到两个PDF公式转Latex的开源项目和一个数据集
数据集 UniMER
介绍
UniMER数据集是一个专为推动数学表达式识别（MER）领域进步而精心策划的专业集合。它包括全面的UniMER-1M训练集，该训练集包含超过一百万个实例，代表了一系列多样且复杂的数学表达式，以及精心设计的UniMER测试集，用于在现实世界场景下对MER模型进行基准测试。数据集的详细信息如下：
UniMER-1M训练集：
- 总样本数：1,061,791个LaTeX-图像对
- 组成：简洁与复杂、扩展公式表达式的均衡混合
- 目标：训练出稳健、高精度的MER模型，提高识别精度和泛化能力
UniMER测试集：
- 总样本数：23,757个，分为四种类型的表达式：
- 简单打印表达式（SPE）：6,762个样本
- 复杂打印表达式（CPE）：5,921个样本
- 屏幕截图表达式（SCE）：4,742个样本
- 手写表达式（HWE）：6,332个样本
- 目的：在各种现实世界条件下对MER模型进行全面评估
下载链接
您可以从OpenDataLab（推荐中国用户使用）或HuggingFace下载该数据集。
找到一个非常不错的公式转化开源项目。将论文中的公式转为Latex。
LaTeX-OCR
github链接：
https://github.com/lukas-blecher/LaTeX-OCR 包含训练测试等，
安装简单非常，
安装 pix2tex:
pip install "pix2tex[gui]" 然后，下载权重到安装位置。
权重链接：
https://github.com/lukas-blecher/LaTeX-OCR/releases 
注意：Weight release，别选错了。
然后，运行命令：
latexocr 就可以运行了。
UniMERNet
github链接：
https://github.com/opendatalab/UniMERNet。 没有训练，只有测试。
安装
建议创建虚拟环境，我在base环境上安装没有成功，安装了python3.10的虚拟环境后才没有问题。
conda create -n unimernet python=3.10 conda activate unimernet pip install --upgrade unimernet 下载项目和模型命令如下：
git clone https://github.com/opendatalab/UniMERNet.git cd UniMERNet/models # Download the model and tokenizer individually or use git-lfs git lfs install git clone https://huggingface.co/wanderkid/unimernet 如果没有git，也可以手动去huggingface上下载模型，将模型下载到本地的models下，路径要正确！
运行demo.py,
python demo.py 运行UI界面，执行命令bash unimernet_gui
UniMERNet
UniMER 用的数据集
介绍
UniMER数据集是一个专为推动数学表达式识别（MER）领域进步而精心策划的专业集合。它包括全面的UniMER-1M训练集，该训练集包含超过一百万个实例，代表了一系列多样且复杂的数学表达式，以及精心设计的UniMER测试集，用于在现实世界场景下对MER模型进行基准测试。数据集的详细信息如下：
UniMER-1M训练集：
- 总样本数：1,061,791个LaTeX-图像对
- 组成：简洁与复杂、扩展公式表达式的均衡混合
- 目标：训练出稳健、高精度的MER模型，提高识别精度和泛化能力
UniMER测试集：
- 总样本数：23,757个，分为四种类型的表达式：
- 简单打印表达式（SPE）：6,762个样本
- 复杂打印表达式（CPE）：5,921个样本
- 屏幕截图表达式（SCE）：4,742个样本
- 手写表达式（HWE）：6,332个样本
- 目的：在各种现实世界条件下对MER模型进行全面评估
下载链接
您可以从OpenDataLab（推荐中国用户使用）或HuggingFace下载该数据集。
PDF-Extract-Kit
这个还没有调通。
github链接：
https://github.com/opendatalab/PDF-Extract-Kit 一个完整的工作流，支持PDF的分析，将PDF的论文内容识别出来。
整体介绍
PDF文档中包含大量知识信息，然而提取高质量的PDF内容并非易事。为此，我们将PDF内容提取工作进行拆解：
- 布局检测：使用LayoutLMv3模型进行区域检测，如
图像，表格,标题,文本等； - 公式检测：使用YOLOv8进行公式检测，包含
行内公式和行间公式； - 公式识别：使用UniMERNet进行公式识别；
- 光学字符识别：使用PaddleOCR进行文本识别；
注意：由于文档类型的多样性，现有开源的布局检测和公式检测很难处理多样性的PDF文档，为此我们内容采集多样性数据进行标注和训练，使得在各类文档上取得精准的检测效果，细节参考布局检测和公式检测部分。对于公式识别，UniMERNet方法可以媲美商业软件，在各种类型公式识别上均匀很高的质量。对于OCR，我们采用PaddleOCR，对中英文OCR效果不错。
PDF内容提取框架如下图所示
{ "layout_dets": [ # 页中的元素 { "category_id": 0, # 类别编号， 0~9，13~15 "poly": [ 136.0, # 坐标为图片坐标，需要转换回pdf坐标, 顺序是 左上-右上-右下-左下的x,y坐标 781.0, 340.0, 781.0, 340.0, 806.0, 136.0, 806.0 ], "score": 0.69, # 置信度 "latex": '' # 公式识别的结果，只有13,14有内容，其他为空，另外15是ocr的结果，这个key会换成text }, ... ], "page_info": { # 页信息：提取bbox时的分辨率大小，如果有缩放可以基于该信息进行对齐 "page_no": 0, # 页数 "height": 1684, # 页高 "width": 1200 # 页宽 } } 其中category_id包含的类型如下：
{0: 'title', # 标题 1: 'plain text', # 文本 2: 'abandon', # 包括页眉页脚页码和页面注释 3: 'figure', # 图片 4: 'figure_caption', # 图片描述 5: 'table', # 表格 6: 'table_caption', # 表格描述 7: 'table_footnote', # 表格注释 8: 'isolate_formula', # 行间公式（这个是layout的行间公式，优先级低于14） 9: 'formula_caption', # 行间公式的标号 13: 'inline_formula', # 行内公式 14: 'isolated_formula', # 行间公式 15: 'ocr_text'} # ocr识别结果 效果展示
结合多样性PDF文档标注，我们训练了鲁棒的布局检测和公式检测模型。在论文、教材、研报、财报等多样性的PDF文档上，我们的pipeline都能得到准确的提取结果，对于扫描模糊、水印等情况也有较高鲁棒性。
评测指标
现有开源模型多基于Arxiv论文类型数据进行训练，面对多样性的PDF文档，提前质量远不能达到实用需求。相比之下，我们的模型经过多样化数据训练，可以适应各种类型文档提取。
布局检测
我们与现有的开源Layout检测模型做了对比，包括DocXchain、Surya、360LayoutAnalysis的两个模型。而LayoutLMv3-SFT指的是我们在LayoutLMv3-base-chinese预训练权重的基础上进一步做了SFT训练后的模型。论文验证集由402张论文页面构成，教材验证集由587张不同来源的教材页面构成。
| 模型 | 论文验证集 | 教材验证集 | ||||
|---|---|---|---|---|---|---|
| mAP | AP50 | AR50 | mAP | AP50 | AR50 | |
| DocXchain | 52.8 | 69.5 | 77.3 | 34.9 | 50.1 | 63.5 |
| Surya | 24.2 | 39.4 | 66.1 | 13.9 | 23.3 | 49.9 |
| 360LayoutAnalysis-Paper | 37.7 | 53.6 | 59.8 | 20.7 | 31.3 | 43.6 |
| 360LayoutAnalysis-Report | 35.1 | 46.9 | 55.9 | 25.4 | 33.7 | 45.1 |
| LayoutLMv3-SFT | 77.6 | 93.3 | 95.5 | 67.9 | 82.7 | 87.9 |
公式检测
我们与开源的模型Pix2Text-MFD做了对比。另外，YOLOv8-Trained是我们在YOLOv8l模型的基础上训练后的权重。论文验证集由255张论文页面构成，多源验证集由789张不同来源的页面构成，包括教材、书籍等。
| 模型 | 论文验证集 | 多源验证集 | ||
|---|---|---|---|---|
| AP50 | AR50 | AP50 | AR50 | |
| Pix2Text-MFD | 60.1 | 64.6 | 58.9 | 62.8 |
| YOLOv8-Trained | 87.7 | 89.9 | 82.4 | 87.3 |
公式识别
公式识别我们使用的是Unimernet的权重，没有进一步的SFT训练，其精度验证结果可以在其GitHub页面获取。
使用教程
环境安装
conda create -n pipeline python=3.10 pip install -r requirements.txt pip install --extra-index-url https://miropsota.github.io/torch_packages_builder detectron2==0.6+pt2.3.1cu121 安装完环境后，可能会遇到一些版本冲突导致版本变更，如果遇到了版本相关的报错，可以尝试下面的命令重新安装指定版本的库。
pip install pillow==8.4.0 除了版本冲突外，可能还会遇到torch无法调用的错误，可以先把下面的库卸载，然后重新安装cuda12和cudnn。
pip uninstall nvidia-cusparse-cu12 参考模型下载下载所需模型权重
在Windows上运行
如需要在Windows上运行本项目，请参考在Windows环境下使用PDF-Extract-Kit。
在macOS上运行
如需要在macOS上运行本项目，请参考在macOS系统使用PDF-Extract-Kit。
运行提取脚本
python pdf_extract.py --pdf data/pdfs/ocr_1.pdf 相关参数解释：
--pdf待处理的pdf文件，如果传入一个文件夹，则会处理文件夹下的所有pdf文件。--output处理结果保存的路径，默认是"output"--vis是否对结果可视化，是则会把检测的结果可视化出来，主要是检测框和类别--render是否把识别得的结果渲染出来，包括公式的latex代码，以及普通文本，都会渲染出来放在检测框中。注意：此过程非常耗时，另外也需要提前安装xelatex和imagemagic。
