AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


打造自己的RAG解析大模型:(可商用)智能文档分析解决方案!
发布日期:2024-10-20 20:49:06 浏览次数: 1874 来源:真聊技术



在上一篇文章中,我们成功将文本识别、表格识别和版面识别模型串联,实现了对PDF文档的全面解析。然而,随着技术的飞速发展,文档智能解析领域迎来了更加创新的解决方案。近日,百度发布了PP-ChatOCRv3,基于数据融合技术,提供了OCR模型的二次开发功能,大幅提升了模型的微调能力。该技术将百万级高质量的通用OCR数据与垂直领域的模型训练数据按特定比例融合,解决了传统行业模型训练过程中,通用文本识别能力减弱的难题。这一突破性技术在自动化办公、金融风控、医疗健康等多个行业场景中都有广泛的应用潜力。

当然,使用这一创新技术仍需要一定的学习成本,但凭借其低代码开发能力,相信很快就能上手,构建更优质的文档解析组件,并为RAG(检索增强生成)提供高质量的知识库支持。为此,我们将通过百度飞桨平台的低代码开发工具PaddleX,探索如何更轻松地开发和部署这一先进技术。接下来,让我们详细了解PaddleX的核心能力,看看它能为文档解析带来怎样的提升。

新特性

  • 飞桨低代码开发工具PaddleX,依托于PaddleOCR的先进技术,支持了OCR领域的低代码全流程开发能力:

    • 模型丰富一键调用:将文本图像智能分析、通用OCR、通用版面解析、通用表格识别、公式识别、印章文本识别涉及的17个模型整合为6条模型产线,通过极简的Python API一键调用,快速体验模型效果。此外,同一套API,也支持图像分类、目标检测、图像分割、时序预测等共计200+模型,形成20+单功能模块,方便开发者进行模型组合使用。

    • 提高效率降低门槛:提供基于统一命令和图形界面两种方式,实现模型简洁高效的使用、组合与定制。支持高性能推理、服务化部署和端侧部署等多种部署方式。此外,对于各种主流硬件如英伟达GPU、昆仑芯、昇腾、寒武纪和海光等,进行模型开发时,都可以无缝切换。
  • 支持文档场景信息抽取v3(PP-ChatOCRv3-doc)、基于RT-DETR的高精度版面区域检测模型和PicoDet的高效率版面区域检测模型、高精度表格结构识别模型SLANet_Plus、文本图像矫正模型UVDoc、公式识别模型LatexOCR、基于PP-LCNet的文档图像方向分类模型。

今天我们重点讲文档场景信息抽取v3,文档场景信息抽取v3(PP-ChatOCRv3)是飞桨特色的文档和图像智能分析解决方案,结合了 LLM 和 OCR 技术,一站式解决版面分析、生僻字、多页 pdf、表格、印章识别等常见的复杂文档信息抽取难点问题,结合文心大模型将海量数据和知识相融合,准确率高且应用广泛。

文档场景信息抽取v3中包含表格结构识别模块版面区域检测模块文本检测模块文本识别模块印章文本检测模块文本图像矫正模块文档图像方向分类模块

开发体验

飞桨为文档场景信息抽取V3提供了两种使用方式:在线使用和二次开发。

如果使用在线方案,您只能调用飞桨已经训练好的模型,适用于默认模型在您的应用场景中能够满足精度或速度需求的情况。如果现有模型不理想,飞浆还支持您通过二次开发的方式,利用自己特定领域的数据进行模型微调。这种方法能够进一步提升在行业场景中的表格识别效果,实现更精准的文档信息抽取,满足更复杂的业务需求。

实现二次开发:

  • PaddlePaddle本地安装
pip install paddlepaddle==3.0.0b1 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/
安装完成后,使用以下命令可以验证 PaddlePaddle 是否安装成功:
python -c "import paddle; print(paddle.__version__)"
如果输出以下内容,说明已成功安装。
3.0.0-beta1
  • 获取PaddleX并安装

执行以下命令获取源码:

git clone https://github.com/PaddlePaddle/PaddleX.git
如果访问 GitHub 网速较慢,可以从 Gitee 下载,命令如下:
git clone https://gitee.com/paddlepaddle/PaddleX.git
获取 PaddleX 最新源码之后,您可以选择Wheel包安装模式或插件安装模式。

Wheel包安装模式:

cd PaddleX
# 安装 PaddleX whl# -e:以可编辑模式安装,当前项目的代码更改,都会直接作用到已经安装的 PaddleX Wheelpip install -e .

推理预测

要创建一个表格识别的应用程序,并验证其发布是否如百度飞桨所说的那样简单,可以按照以下步骤进行操作。首先,使用 PyCharm 打开 PaddleX 项目,然后在项目中创建一个 APP 目录,接着在该目录中创建一个名为 TableRes 的文件。接下来,编写相应的代码来实现表格识别功能。通过这种方式,可以快速验证 PaddleX 的表格识别是否方便易用,并且与文档描述一致地提供高效的表格处理能力。
from paddlex import create_modelmodel = create_model("SLANet")output = model.predict("table_recognition.jpg", batch_size=1)for res in output:res.print(json_format=False)res.save_to_img("./output/")res.save_to_json("./output/res.json")
简单来说,只需三步:
  • 调用create_model()方法实例化预测模型对象;

  • 调用预测模型对象的predict()方法进行推理预测;

  • 调用print()save_to_xxx()等相关方法对预测结果进行可视化或是保存。

图片table_recognition.jpg如下图:

执行TableRes,效果如下:

执行代码后生成output目录,目录下有两个文件:


  • res.json,保存识别表格后的json格式数据。

  • table_recognition.jpg,可视化识别图片。

json格式数据如下图:

可视化识别结构:

总结

经过实际体验,PaddleX 的安装和发布确实比以往的开源项目 PaddleOCR 要简便许多。完成安装后,您不仅获得了 PaddleOCR 的功能,还同时集成了六大模块,包括 'PaddleDetection', 'PaddleClas', 'PaddleTS', 'PaddleSeg', 'PaddleNLP', 和 'PaddleOCR'。这种“一站式”安装让开发更加高效,不需要单独为每个模块设置环境,非常适合需要多任务处理的开发者,极大简化了复杂项目的启动流程。

声明:本文为 真聊技术 原创,转载请联系授权。


53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询