The whl package supports separate table recognition and layout analysis

paddleocr.py

@@ -47,7 +47,7 @@ __all__ = [
 ]
 
 SUPPORT_DET_MODEL = ['DB']
-VERSION = '2.4.0.4'
+VERSION = '2.5'
 SUPPORT_REC_MODEL = ['CRNN']
 BASE_DIR = os.path.expanduser("~/.paddleocr/")
 
@@ -442,7 +442,7 @@ class PPStructure(StructureSystem):
         logger.debug(params)
         super().__init__(params)
 
-    def __call__(self, img):
+    def __call__(self, img, return_ocr_result_in_table=False):
         if isinstance(img, str):
             # download net image
             if img.startswith('http'):
@@ -460,7 +460,7 @@ class PPStructure(StructureSystem):
         if isinstance(img, np.ndarray) and len(img.shape) == 2:
             img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
 
-        res = super().__call__(img)
+        res = super().__call__(img, return_ocr_result_in_table)
         return res
 
 

ppocr/postprocess/rec_postprocess.py

@@ -73,7 +73,7 @@ class BaseRecLabelDecode(object):
                 conf_list = [0]
 
             text = ''.join(char_list)
-            result_list.append((text, np.mean(conf_list)))
+            result_list.append((text, np.mean(conf_list).tolist()))
         return result_list
 
     def get_ignored_tokens(self):
@@ -196,7 +196,7 @@ class NRTRLabelDecode(BaseRecLabelDecode):
                 else:
                     conf_list.append(1)
             text = ''.join(char_list)
-            result_list.append((text.lower(), np.mean(conf_list)))
+            result_list.append((text.lower(), np.mean(conf_list).tolist()))
         return result_list
 
 
@@ -241,7 +241,7 @@ class AttnLabelDecode(BaseRecLabelDecode):
                 else:
                     conf_list.append(1)
             text = ''.join(char_list)
-            result_list.append((text, np.mean(conf_list)))
+            result_list.append((text, np.mean(conf_list).tolist()))
         return result_list
 
     def __call__(self, preds, label=None, *args, **kwargs):
@@ -333,7 +333,7 @@ class SEEDLabelDecode(BaseRecLabelDecode):
                 else:
                     conf_list.append(1)
             text = ''.join(char_list)
-            result_list.append((text, np.mean(conf_list)))
+            result_list.append((text, np.mean(conf_list).tolist()))
         return result_list
 
     def __call__(self, preds, label=None, *args, **kwargs):
@@ -417,7 +417,7 @@ class SRNLabelDecode(BaseRecLabelDecode):
                     conf_list.append(1)
 
             text = ''.join(char_list)
-            result_list.append((text, np.mean(conf_list)))
+            result_list.append((text, np.mean(conf_list).tolist()))
         return result_list
 
     def add_special_char(self, dict_character):
@@ -636,7 +636,7 @@ class SARLabelDecode(BaseRecLabelDecode):
                 comp = re.compile('[^A-Z^a-z^0-9^\u4e00-\u9fa5]')
                 text = text.lower()
                 text = comp.sub('', text)
-            result_list.append((text, np.mean(conf_list)))
+            result_list.append((text, np.mean(conf_list).tolist()))
         return result_list
 
     def __call__(self, preds, label=None, *args, **kwargs):
@@ -699,7 +699,7 @@ class PRENLabelDecode(BaseRecLabelDecode):
 
             text = ''.join(char_list)
             if len(text) > 0:
-                result_list.append((text, np.mean(conf_list)))
+                result_list.append((text, np.mean(conf_list).tolist()))
             else:
                 # here confidence of empty recog result is 1
                 result_list.append(('', 1))

ppstructure/docs/inference.md

 # 基于Python预测引擎推理
 
-- [版面分析+表格识别](#1)
-- [DocVQA](#2)
+- [1. Structure](#1)
+  - [1.1 版面分析+表格识别](#1.1)
+  - [1.2 版面分析](#1.2)
+  - [1.3 表格识别](#1.3)
+- [2. DocVQA](#2)
 
 <a name="1"></a>
-## 1. 版面分析+表格识别
+## 1. Structure
+进入`ppstructure`目录
 
 ```bash
 cd ppstructure
-
-# 下载模型
+````
+下载模型
+```bash
 mkdir inference && cd inference
 # 下载PP-OCRv2文本检测模型并解压
 wget https://paddleocr.bj.bcebos.com/PP-OCRv2/chinese/ch_PP-OCRv2_det_slim_quant_infer.tar && tar xf ch_PP-OCRv2_det_slim_quant_infer.tar
@@ -18,17 +23,42 @@ wget https://paddleocr.bj.bcebos.com/PP-OCRv2/chinese/ch_PP-OCRv2_rec_slim_quant
 # 下载超轻量级英文表格预测模型并解压
 wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/table/en_ppocr_mobile_v2.0_table_structure_infer.tar && tar xf en_ppocr_mobile_v2.0_table_structure_infer.tar
 cd ..
-
+```
+<a name="1.1"></a>
+### 1.1 版面分析+表格识别
+```bash
 python3 predict_system.py --det_model_dir=inference/ch_PP-OCRv2_det_slim_quant_infer \
                           --rec_model_dir=inference/ch_PP-OCRv2_rec_slim_quant_infer \
                           --table_model_dir=inference/en_ppocr_mobile_v2.0_table_structure_infer \
-                          --image_dir=../doc/table/1.png \
+                          --image_dir=./docs/table/1.png \
                           --rec_char_dict_path=../ppocr/utils/ppocr_keys_v1.txt \
                           --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt \
-                          --output=../output/table \
+                          --output=../output \
                           --vis_font_path=../doc/fonts/simfang.ttf
 ```
-运行完成后，每张图片会在`output`字段指定的目录下的`talbe`目录下有一个同名目录，图片里的每个表格会存储为一个excel，图片区域会被裁剪之后保存下来，excel文件和图片名名为表格在图片里的坐标。
+运行完成后，每张图片会在`output`字段指定的目录下的`structure`目录下有一个同名目录，图片里的每个表格会存储为一个excel，图片区域会被裁剪之后保存下来，excel文件和图片名为表格在图片里的坐标。详细的结果会存储在`res.txt`文件中。
+
+<a name="1.2"></a>
+### 1.2 版面分析
+```bash
+python3 predict_system.py --image_dir=./docs/table/1.png --table=false --ocr=false --output=../output/
+```
+运行完成后，每张图片会在`output`字段指定的目录下的`structure`目录下有一个同名目录，图片区域会被裁剪之后保存下来，图片名为表格在图片里的坐标。版面分析结果会存储在`res.txt`文件中。
+
+<a name="1.3"></a>
+### 1.3 表格识别
+```bash
+python3 predict_system.py --det_model_dir=inference/ch_PP-OCRv2_det_slim_quant_infer \
+                          --rec_model_dir=inference/ch_PP-OCRv2_rec_slim_quant_infer \
+                          --table_model_dir=inference/en_ppocr_mobile_v2.0_table_structure_infer \
+                          --image_dir=./docs/table/table.jpg \
+                          --rec_char_dict_path=../ppocr/utils/ppocr_keys_v1.txt \
+                          --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt \
+                          --output=../output \
+                          --vis_font_path=../doc/fonts/simfang.ttf \
+                          --layout=false
+```
+运行完成后，每张图片会在`output`字段指定的目录下的`structure`目录下有一个同名目录，表格会存储为一个excel，excel文件名为`[0,0,img_h,img_w]`。
 
 <a name="2"></a>
 ## 2. DocVQA

ppstructure/docs/inference_en.md

 # 基于Python预测引擎推理
 
-- [版面分析+表格识别](#1)
-- [DocVQA](#2)
+- [1. Structure](#1)
+  - [1.1 版面分析+表格识别](#1.1)
+  - [1.2 版面分析](#1.2)
+  - [1.3 表格识别](#1.3)
+- [2. DocVQA](#2)
 
 <a name="1"></a>
-## 1. 版面分析+表格识别
+## 1. Structure
+进入`ppstructure`目录
 
 ```bash
 cd ppstructure
-
-# 下载模型
+````
+下载模型
+```bash
 mkdir inference && cd inference
 # 下载PP-OCRv2文本检测模型并解压
 wget https://paddleocr.bj.bcebos.com/PP-OCRv2/chinese/ch_PP-OCRv2_det_slim_quant_infer.tar && tar xf ch_PP-OCRv2_det_slim_quant_infer.tar
@@ -18,17 +23,42 @@ wget https://paddleocr.bj.bcebos.com/PP-OCRv2/chinese/ch_PP-OCRv2_rec_slim_quant
 # 下载超轻量级英文表格预测模型并解压
 wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/table/en_ppocr_mobile_v2.0_table_structure_infer.tar && tar xf en_ppocr_mobile_v2.0_table_structure_infer.tar
 cd ..
-
+```
+<a name="1.1"></a>
+### 1.1 版面分析+表格识别
+```bash
 python3 predict_system.py --det_model_dir=inference/ch_PP-OCRv2_det_slim_quant_infer \
                           --rec_model_dir=inference/ch_PP-OCRv2_rec_slim_quant_infer \
                           --table_model_dir=inference/en_ppocr_mobile_v2.0_table_structure_infer \
-                          --image_dir=../doc/table/1.png \
+                          --image_dir=./docs/table/1.png \
                           --rec_char_dict_path=../ppocr/utils/ppocr_keys_v1.txt \
                           --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt \
-                          --output=../output/table \
+                          --output=../output \
                           --vis_font_path=../doc/fonts/simfang.ttf
 ```
-运行完成后，每张图片会在`output`字段指定的目录下的`talbe`目录下有一个同名目录，图片里的每个表格会存储为一个excel，图片区域会被裁剪之后保存下来，excel文件和图片名名为表格在图片里的坐标。
+运行完成后，每张图片会在`output`字段指定的目录下的`structure`目录下有一个同名目录，图片里的每个表格会存储为一个excel，图片区域会被裁剪之后保存下来，excel文件和图片名为表格在图片里的坐标。详细的结果会存储在`res.txt`文件中。
+
+<a name="1.2"></a>
+### 1.2 版面分析
+```bash
+python3 predict_system.py --image_dir=./docs/table/1.png --table=false --ocr=false --output=../output/
+```
+运行完成后，每张图片会在`output`字段指定的目录下的`structure`目录下有一个同名目录，图片区域会被裁剪之后保存下来，图片名为表格在图片里的坐标。版面分析结果会存储在`res.txt`文件中。
+
+<a name="1.3"></a>
+### 1.3 表格识别
+```bash
+python3 predict_system.py --det_model_dir=inference/ch_PP-OCRv2_det_slim_quant_infer \
+                          --rec_model_dir=inference/ch_PP-OCRv2_rec_slim_quant_infer \
+                          --table_model_dir=inference/en_ppocr_mobile_v2.0_table_structure_infer \
+                          --image_dir=./docs/table/table.jpg \
+                          --rec_char_dict_path=../ppocr/utils/ppocr_keys_v1.txt \
+                          --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt \
+                          --output=../output \
+                          --vis_font_path=../doc/fonts/simfang.ttf \
+                          --layout=false
+```
+运行完成后，每张图片会在`output`字段指定的目录下的`structure`目录下有一个同名目录，表格会存储为一个excel，excel文件名为`[0,0,img_h,img_w]`。
 
 <a name="2"></a>
 ## 2. DocVQA

ppstructure/docs/quickstart.md

@@ -4,10 +4,14 @@
 - [2. 便捷使用](#2)
     - [2.1 命令行使用](#21)
         - [2.1.1 版面分析+表格识别](#211)
-        - [2.1.2 DocVQA](#212)
-    - [2.2 Python脚本使用](#22)
+        - [2.1.2 版面分析](#212)
+        - [2.1.3 表格识别](#213)
+        - [2.1.4 DocVQA](#214)
+    - [2.2 代码使用](#22)
         - [2.2.1 版面分析+表格识别](#221)
-        - [2.2.2 DocVQA](#222)
+        - [2.2.2 版面分析](#222)
+        - [2.2.3 表格识别](#223)
+        - [2.2.4 DocVQA](#224)
     - [2.3 返回结果说明](#23)
         - [2.3.1 版面分析+表格识别](#231)
         - [2.3.2 DocVQA](#232)
@@ -36,16 +40,28 @@ pip install paddlenlp
 <a name="211"></a>
 #### 2.1.1 版面分析+表格识别
 ```bash
-paddleocr --image_dir=../doc/table/1.png --type=structure
+paddleocr --image_dir=PaddleOCR/ppstructure/docs/table/1.png --type=structure
 ```
 
 <a name="212"></a>
-#### 2.1.2 DocVQA
+#### 2.1.2 版面分析
+```bash
+paddleocr --image_dir=PaddleOCR/ppstructure/docs/table/1.png --type=structure --table=false --ocr=false
+```
+
+<a name="213"></a>
+#### 2.1.3 表格识别
+```bash
+paddleocr --image_dir=PaddleOCR/ppstructure/docs/table/table.jpg --type=structure --layout=false
+```
+
+<a name="214"></a>
+#### 2.1.4 DocVQA
 
 请参考：[文档视觉问答](../vqa/README.md)。
 
 <a name="22"></a>
-### 2.2 Python脚本使用
+### 2.2 代码使用
 
 <a name="221"></a>
 #### 2.2.1 版面分析+表格识别
@@ -57,8 +73,8 @@ from paddleocr import PPStructure,draw_structure_result,save_structure_res
 
 table_engine = PPStructure(show_log=True)
 
-save_folder = './output/table'
-img_path = '../doc/table/1.png'
+save_folder = './output'
+img_path = 'PaddleOCR/ppstructure/docs/table/1.png'
 img = cv2.imread(img_path)
 result = table_engine(img)
 save_structure_res(result, save_folder,os.path.basename(img_path).split('.')[0])
@@ -69,7 +85,7 @@ for line in result:
 
 from PIL import Image
 
-font_path = '../doc/fonts/simfang.ttf' # PaddleOCR下提供字体包
+font_path = 'PaddleOCR/doc/fonts/simfang.ttf' # PaddleOCR下提供字体包
 image = Image.open(img_path).convert('RGB')
 im_show = draw_structure_result(image, result,font_path=font_path)
 im_show = Image.fromarray(im_show)
@@ -77,7 +93,49 @@ im_show.save('result.jpg')
 ```
 
 <a name="222"></a>
-#### 2.2.2 DocVQA
+#### 2.2.2 版面分析
+
+```python
+import os
+import cv2
+from paddleocr import PPStructure,save_structure_res
+
+table_engine = PPStructure(table=False, ocr=False, show_log=True)
+
+save_folder = './output'
+img_path = 'PaddleOCR/ppstructure/docs/table/1.png'
+img = cv2.imread(img_path)
+result = table_engine(img)
+save_structure_res(result, save_folder, os.path.basename(img_path).split('.')[0])
+
+for line in result:
+    line.pop('img')
+    print(line)
+```
+
+<a name="223"></a>
+#### 2.2.3 表格识别
+
+```python
+import os
+import cv2
+from paddleocr import PPStructure,save_structure_res
+
+table_engine = PPStructure(layout=False, show_log=True)
+
+save_folder = './output'
+img_path = 'PaddleOCR/ppstructure/docs/table/table.jpg'
+img = cv2.imread(img_path)
+result = table_engine(img)
+save_structure_res(result, save_folder, os.path.basename(img_path).split('.')[0])
+
+for line in result:
+    line.pop('img')
+    print(line)
+```
+
+<a name="224"></a>
+#### 2.2.4 DocVQA
 
 请参考：[文档视觉问答](../vqa/README.md)。
 
@@ -99,10 +157,10 @@ PP-Structure的返回结果为一个dict组成的list，示例如下
 dict 里各个字段说明如下
 
 | 字段            | 说明                                                                                                                                                                                                                                                                                                                                                                                            |
-| --------------- | -------------|
-|type|图片区域的类型|
-|bbox|图片区域的在原图的坐标，分别[左上角x，左上角y，右下角x，右下角y]|
-|res|图片区域的OCR或表格识别结果。<br> 表格: 表格的HTML字符串; <br> OCR: 一个包含各个单行文字的检测坐标和识别结果的元组|
+| --------------- |-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+|type| 图片区域的类型                                                                                                                                                                                                                                                                                                                                                                                       |
+|bbox| 图片区域的在原图的坐标，分别[左上角x，左上角y，右下角x，右下角y]                                                                                                                                                                                                                                                                                                                                                           |
+|res| 图片区域的OCR或表格识别结果。<br> 表格: 一个dict，字段说明如下<br>&emsp;&emsp;&emsp;&emsp;&emsp;&emsp;&emsp; `html`: 表格的HTML字符串<br>&emsp;&emsp;&emsp;&emsp;&emsp;&emsp;&emsp; 在代码使用模式下，前向传入return_ocr_result_in_table=True可以拿到表格中每个文本的检测识别结果，对应为如下字段: <br>&emsp;&emsp;&emsp;&emsp;&emsp;&emsp;&emsp; `boxes`: 文本检测坐标<br>&emsp;&emsp;&emsp;&emsp;&emsp;&emsp;&emsp; `rec_res`: 文本识别结果。<br> OCR: 一个包含各个单行文字的检测坐标和识别结果的元组 |
 
 运行完成后，每张图片会在`output`字段指定的目录下有一个同名目录，图片里的每个表格会存储为一个excel，图片区域会被裁剪之后保存下来，excel文件和图片名为表格在图片里的坐标。
 
@@ -123,7 +181,7 @@ dict 里各个字段说明如下
 ### 2.4 参数说明
 
 | 字段                   | 说明                                                                                                                                                 | 默认值                                                     |
-| --------------- | ---------------------------------------- | ------------------------------------------- |
+|----------------------|----------------------------------------------------------------------------------------------------------------------------------------------------|---------------------------------------------------------|
 | output               | excel和识别结果保存的地址                                                                                                                                    | ./output/table                                          |
 | table_max_len        | 表格结构模型预测时，图像的长边resize尺度                                                                                                                            | 488                                                     |
 | table_model_dir      | 表格结构模型 inference 模型地址                                                                                                                              | None                                                    |
@@ -134,5 +192,8 @@ dict 里各个字段说明如下
 | max_seq_length       | VQA SER模型最大支持token长度                                                                                                                               | 512                                                     |
 | label_map_path       | VQA SER 标签文件地址                                                                                                                                     | ./vqa/labels/labels_ser.txt                             |
 | mode                 | pipeline预测模式，structure: 版面分析+表格识别; VQA: SER文档信息抽取                                                                                                  | structure                                               |
+| layout               | 前向中是否执行版面分析                                                                                                                                        | True                                                    |
+| table                | 前向中是否执行表格识别                                                                                                                                        | True                                                    |
+| ocr                  | 对于版面分析中的非表格区域，是否执行ocr。当layout为False时会被自动设置为False                                                                                                  | True                                                    |
 
 大部分参数和PaddleOCR whl包保持一致，见 [whl包文档](../../doc/doc_ch/whl.md)

ppstructure/docs/quickstart_en.md

@@ -4,10 +4,14 @@
 - [2. 便捷使用](#2)
     - [2.1 命令行使用](#21)
         - [2.1.1 版面分析+表格识别](#211)
-        - [2.1.2 DocVQA](#212)
-    - [2.2 Python脚本使用](#22)
+        - [2.1.2 版面分析](#212)
+        - [2.1.3 表格识别](#213)
+        - [2.1.4 DocVQA](#214)
+    - [2.2 代码使用](#22)
         - [2.2.1 版面分析+表格识别](#221)
-        - [2.2.2 DocVQA](#222)
+        - [2.2.2 版面分析](#222)
+        - [2.2.3 表格识别](#223)
+        - [2.2.4 DocVQA](#224)
     - [2.3 返回结果说明](#23)
         - [2.3.1 版面分析+表格识别](#231)
         - [2.3.2 DocVQA](#232)
@@ -36,16 +40,28 @@ pip install paddlenlp
 <a name="211"></a>
 #### 2.1.1 版面分析+表格识别
 ```bash
-paddleocr --image_dir=../doc/table/1.png --type=structure
+paddleocr --image_dir=PaddleOCR/ppstructure/docs/table/1.png --type=structure
 ```
 
 <a name="212"></a>
-#### 2.1.2 DocVQA
+#### 2.1.2 版面分析
+```bash
+paddleocr --image_dir=PaddleOCR/ppstructure/docs/table/1.png --type=structure --table=false --ocr=false
+```
+
+<a name="213"></a>
+#### 2.1.3 表格识别
+```bash
+paddleocr --image_dir=PaddleOCR/ppstructure/docs/table/table.jpg --type=structure --layout=false
+```
+
+<a name="214"></a>
+#### 2.1.4 DocVQA
 
 请参考：[文档视觉问答](../vqa/README.md)。
 
 <a name="22"></a>
-### 2.2 Python脚本使用
+### 2.2 代码使用
 
 <a name="221"></a>
 #### 2.2.1 版面分析+表格识别
@@ -57,8 +73,8 @@ from paddleocr import PPStructure,draw_structure_result,save_structure_res
 
 table_engine = PPStructure(show_log=True)
 
-save_folder = './output/table'
-img_path = '../doc/table/1.png'
+save_folder = './output'
+img_path = 'PaddleOCR/ppstructure/docs/table/1.png'
 img = cv2.imread(img_path)
 result = table_engine(img)
 save_structure_res(result, save_folder,os.path.basename(img_path).split('.')[0])
@@ -69,7 +85,7 @@ for line in result:
 
 from PIL import Image
 
-font_path = '../doc/fonts/simfang.ttf' # PaddleOCR下提供字体包
+font_path = 'PaddleOCR/doc/fonts/simfang.ttf' # PaddleOCR下提供字体包
 image = Image.open(img_path).convert('RGB')
 im_show = draw_structure_result(image, result,font_path=font_path)
 im_show = Image.fromarray(im_show)
@@ -77,7 +93,49 @@ im_show.save('result.jpg')
 ```
 
 <a name="222"></a>
-#### 2.2.2 DocVQA
+#### 2.2.2 版面分析
+
+```python
+import os
+import cv2
+from paddleocr import PPStructure,save_structure_res
+
+table_engine = PPStructure(table=False, ocr=False, show_log=True)
+
+save_folder = './output'
+img_path = 'PaddleOCR/ppstructure/docs/table/1.png'
+img = cv2.imread(img_path)
+result = table_engine(img)
+save_structure_res(result, save_folder, os.path.basename(img_path).split('.')[0])
+
+for line in result:
+    line.pop('img')
+    print(line)
+```
+
+<a name="223"></a>
+#### 2.2.3 表格识别
+
+```python
+import os
+import cv2
+from paddleocr import PPStructure,save_structure_res
+
+table_engine = PPStructure(layout=False, show_log=True)
+
+save_folder = './output'
+img_path = 'PaddleOCR/ppstructure/docs/table/table.jpg'
+img = cv2.imread(img_path)
+result = table_engine(img)
+save_structure_res(result, save_folder, os.path.basename(img_path).split('.')[0])
+
+for line in result:
+    line.pop('img')
+    print(line)
+```
+
+<a name="224"></a>
+#### 2.2.4 DocVQA
 
 请参考：[文档视觉问答](../vqa/README.md)。
 
@@ -99,10 +157,10 @@ PP-Structure的返回结果为一个dict组成的list，示例如下
 dict 里各个字段说明如下
 
 | 字段            | 说明                                                                                                                                                                                                                                                                                                                                                                                            |
-| --------------- | -------------|
-|type|图片区域的类型|
-|bbox|图片区域的在原图的坐标，分别[左上角x，左上角y，右下角x，右下角y]|
-|res|图片区域的OCR或表格识别结果。<br> 表格: 表格的HTML字符串; <br> OCR: 一个包含各个单行文字的检测坐标和识别结果的元组|
+| --------------- |-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+|type| 图片区域的类型                                                                                                                                                                                                                                                                                                                                                                                       |
+|bbox| 图片区域的在原图的坐标，分别[左上角x，左上角y，右下角x，右下角y]                                                                                                                                                                                                                                                                                                                                                           |
+|res| 图片区域的OCR或表格识别结果。<br> 表格: 一个dict，字段说明如下<br>&emsp;&emsp;&emsp;&emsp;&emsp;&emsp;&emsp; `html`: 表格的HTML字符串<br>&emsp;&emsp;&emsp;&emsp;&emsp;&emsp;&emsp; 在代码使用模式下，前向传入return_ocr_result_in_table=True可以拿到表格中每个文本的检测识别结果，对应为如下字段: <br>&emsp;&emsp;&emsp;&emsp;&emsp;&emsp;&emsp; `boxes`: 文本检测坐标<br>&emsp;&emsp;&emsp;&emsp;&emsp;&emsp;&emsp; `rec_res`: 文本识别结果。<br> OCR: 一个包含各个单行文字的检测坐标和识别结果的元组 |
 
 运行完成后，每张图片会在`output`字段指定的目录下有一个同名目录，图片里的每个表格会存储为一个excel，图片区域会被裁剪之后保存下来，excel文件和图片名为表格在图片里的坐标。
 
@@ -123,7 +181,7 @@ dict 里各个字段说明如下
 ### 2.4 参数说明
 
 | 字段                   | 说明                                                                                                                                                 | 默认值                                                     |
-| --------------- | ---------------------------------------- | ------------------------------------------- |
+|----------------------|----------------------------------------------------------------------------------------------------------------------------------------------------|---------------------------------------------------------|
 | output               | excel和识别结果保存的地址                                                                                                                                    | ./output/table                                          |
 | table_max_len        | 表格结构模型预测时，图像的长边resize尺度                                                                                                                            | 488                                                     |
 | table_model_dir      | 表格结构模型 inference 模型地址                                                                                                                              | None                                                    |
@@ -134,5 +192,8 @@ dict 里各个字段说明如下
 | max_seq_length       | VQA SER模型最大支持token长度                                                                                                                               | 512                                                     |
 | label_map_path       | VQA SER 标签文件地址                                                                                                                                     | ./vqa/labels/labels_ser.txt                             |
 | mode                 | pipeline预测模式，structure: 版面分析+表格识别; VQA: SER文档信息抽取                                                                                                  | structure                                               |
+| layout               | 前向中是否执行版面分析                                                                                                                                        | True                                                    |
+| table                | 前向中是否执行表格识别                                                                                                                                        | True                                                    |
+| ocr                  | 对于版面分析中的非表格区域，是否执行ocr。当layout为False时会被自动设置为False                                                                                                  | True                                                    |
 
 大部分参数和PaddleOCR whl包保持一致，见 [whl包文档](../../doc/doc_ch/whl.md)

ppstructure/predict_system.py

@@ -23,9 +23,10 @@ sys.path.append(os.path.abspath(os.path.join(__dir__, '..')))
 os.environ["FLAGS_allocator_strategy"] = 'auto_growth'
 import cv2
 import json
-import numpy as np
 import time
 import logging
+from copy import deepcopy
+from attrdict import AttrDict
 
 from ppocr.utils.utility import get_image_file_list, check_and_read_gif
 from ppocr.utils.logging import get_logger
@@ -40,16 +41,18 @@ class StructureSystem(object):
     def __init__(self, args):
         self.mode = args.mode
         if self.mode == 'structure':
-            import layoutparser as lp
-            # args.det_limit_type = 'resize_long'
-            args.drop_score = 0
             if not args.show_log:
                 logger.setLevel(logging.INFO)
-            self.text_system = TextSystem(args)
-            self.table_system = TableSystem(args,
-                                            self.text_system.text_detector,
-                                            self.text_system.text_recognizer)
-
+            if args.layout == False and args.ocr == True:
+                args.ocr = False
+                logger.warning(
+                    "When args.layout is false, args.ocr is automatically set to false"
+                )
+            args.drop_score = 0
+            # init layout and ocr model
+            self.text_system = None
+            if args.layout:
+                import layoutparser as lp
                 config_path = None
                 model_path = None
                 if os.path.isdir(args.layout_path_model):
@@ -64,29 +67,50 @@ class StructureSystem(object):
                     enable_mkldnn=args.enable_mkldnn,
                     enforce_cpu=not args.use_gpu,
                     thread_num=args.cpu_threads)
-            self.use_angle_cls = args.use_angle_cls
-            self.drop_score = args.drop_score
+                if args.ocr:
+                    self.text_system = TextSystem(args)
+            else:
+                self.table_layout = None
+            if args.table:
+                if self.text_system is not None:
+                    self.table_system = TableSystem(
+                        args, self.text_system.text_detector,
+                        self.text_system.text_recognizer)
+                else:
+                    self.table_system = TableSystem(args)
+            else:
+                self.table_system = None
+
         elif self.mode == 'vqa':
             raise NotImplementedError
 
-    def __call__(self, img):
+    def __call__(self, img, return_ocr_result_in_table=False):
         if self.mode == 'structure':
             ori_im = img.copy()
+            if self.table_layout is not None:
                 layout_res = self.table_layout.detect(img[..., ::-1])
+            else:
+                h, w = ori_im.shape[:2]
+                layout_res = [AttrDict(coordinates=[0, 0, w, h], type='Table')]
             res_list = []
             for region in layout_res:
+                res = ''
                 x1, y1, x2, y2 = region.coordinates
                 x1, y1, x2, y2 = int(x1), int(y1), int(x2), int(y2)
                 roi_img = ori_im[y1:y2, x1:x2, :]
                 if region.type == 'Table':
-                    res = self.table_system(roi_img)
+                    if self.table_system is not None:
+                        res = self.table_system(roi_img,
+                                                return_ocr_result_in_table)
                 else:
+                    if self.text_system is not None:
                         filter_boxes, filter_rec_res = self.text_system(roi_img)
                         # remove style char
                         style_token = [
                             '<strike>', '<strike>', '<sup>', '</sub>', '<b>',
-                        '</b>', '<sub>', '</sup>', '<overline>', '</overline>',
-                        '<underline>', '</underline>', '<i>', '</i>'
+                            '</b>', '<sub>', '</sup>', '<overline>',
+                            '</overline>', '<underline>', '</underline>', '<i>',
+                            '</i>'
                         ]
                         res = []
                         for box, rec_res in zip(filter_boxes, filter_rec_res):
@@ -106,31 +130,33 @@ class StructureSystem(object):
                     'img': roi_img,
                     'res': res
                 })
+            return res_list
         elif self.mode == 'vqa':
             raise NotImplementedError
-        return res_list
+        return None
 
 
 def save_structure_res(res, save_folder, img_name):
     excel_save_folder = os.path.join(save_folder, img_name)
     os.makedirs(excel_save_folder, exist_ok=True)
+    res_cp = deepcopy(res)
     # save res
     with open(
             os.path.join(excel_save_folder, 'res.txt'), 'w',
             encoding='utf8') as f:
-        for region in res:
-            if region['type'] == 'Table':
+        for region in res_cp:
+            roi_img = region.pop('img')
+            f.write('{}\n'.format(json.dumps(region)))
+
+            if region['type'] == 'Table' and len(region[
+                    'res']) > 0 and 'html' in region['res']:
                 excel_path = os.path.join(excel_save_folder,
                                           '{}.xlsx'.format(region['bbox']))
-                to_excel(region['res'], excel_path)
+                to_excel(region['res']['html'], excel_path)
             elif region['type'] == 'Figure':
-                roi_img = region['img']
                 img_path = os.path.join(excel_save_folder,
                                         '{}.jpg'.format(region['bbox']))
                 cv2.imwrite(img_path, roi_img)
-            else:
-                for text_result in region['res']:
-                    f.write('{}\n'.format(json.dumps(text_result)))
 
 
 def main(args):

ppstructure/table/README.md

@@ -51,7 +51,7 @@ wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/table/en_ppocr_mobile_v2.0_tab
 wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/table/en_ppocr_mobile_v2.0_table_structure_infer.tar && tar xf en_ppocr_mobile_v2.0_table_structure_infer.tar
 cd ..
 # run
-python3 table/predict_table.py --det_model_dir=inference/en_ppocr_mobile_v2.0_table_det_infer --rec_model_dir=inference/en_ppocr_mobile_v2.0_table_rec_infer --table_model_dir=inference/en_ppocr_mobile_v2.0_table_structure_infer --image_dir=../doc/table/table.jpg --rec_char_dict_path=../ppocr/utils/dict/table_dict.txt --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt --det_limit_side_len=736 --det_limit_type=min --output ../output/table
+python3 table/predict_table.py --det_model_dir=inference/en_ppocr_mobile_v2.0_table_det_infer --rec_model_dir=inference/en_ppocr_mobile_v2.0_table_rec_infer --table_model_dir=inference/en_ppocr_mobile_v2.0_table_structure_infer --image_dir=./docs/table/table.jpg --rec_char_dict_path=../ppocr/utils/dict/table_dict.txt --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt --det_limit_side_len=736 --det_limit_type=min --output ./output/table
 ```
 Note: The above model is trained on the PubLayNet dataset and only supports English scanning scenarios. If you need to identify other scenarios, you need to train the model yourself and replace the three fields `det_model_dir`, `rec_model_dir`, `table_model_dir`.
 

ppstructure/table/README_ch.md

@@ -61,7 +61,7 @@ wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/table/en_ppocr_mobile_v2.0_tab
 wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/table/en_ppocr_mobile_v2.0_table_structure_infer.tar && tar xf en_ppocr_mobile_v2.0_table_structure_infer.tar
 cd ..
 # 执行预测
-python3 table/predict_table.py --det_model_dir=inference/en_ppocr_mobile_v2.0_table_det_infer --rec_model_dir=inference/en_ppocr_mobile_v2.0_table_rec_infer --table_model_dir=inference/en_ppocr_mobile_v2.0_table_structure_infer --image_dir=../doc/table/table.jpg --rec_char_dict_path=../ppocr/utils/dict/table_dict.txt --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt --det_limit_side_len=736 --det_limit_type=min --output ../output/table
+python3 table/predict_table.py --det_model_dir=inference/en_ppocr_mobile_v2.0_table_det_infer --rec_model_dir=inference/en_ppocr_mobile_v2.0_table_rec_infer --table_model_dir=inference/en_ppocr_mobile_v2.0_table_structure_infer --image_dir=./docs/table/table.jpg --rec_char_dict_path=../ppocr/utils/dict/table_dict.txt --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt --det_limit_side_len=736 --det_limit_type=min --output ./output/table
 ```
 运行完成后，每张图片的excel表格会保存到output字段指定的目录下
 

ppstructure/table/predict_table.py

@@ -54,16 +54,20 @@ def expand(pix, det_box, shape):
 
 class TableSystem(object):
     def __init__(self, args, text_detector=None, text_recognizer=None):
-        self.text_detector = predict_det.TextDetector(args) if text_detector is None else text_detector
-        self.text_recognizer = predict_rec.TextRecognizer(args) if text_recognizer is None else text_recognizer
+        self.text_detector = predict_det.TextDetector(
+            args) if text_detector is None else text_detector
+        self.text_recognizer = predict_rec.TextRecognizer(
+            args) if text_recognizer is None else text_recognizer
         self.table_structurer = predict_strture.TableStructurer(args)
 
-    def __call__(self, img):
+    def __call__(self, img, return_ocr_result_in_table=False):
+        result = dict()
         ori_im = img.copy()
         structure_res, elapse = self.table_structurer(copy.deepcopy(img))
         dt_boxes, elapse = self.text_detector(copy.deepcopy(img))
         dt_boxes = sorted_boxes(dt_boxes)
-
+        if return_ocr_result_in_table:
+            result['boxes'] = [x.tolist() for x in dt_boxes]
         r_boxes = []
         for box in dt_boxes:
             x_min = box[:, 0].min() - 1
@@ -88,14 +92,17 @@ class TableSystem(object):
         rec_res, elapse = self.text_recognizer(img_crop_list)
         logger.debug("rec_res num  : {}, elapse : {}".format(
             len(rec_res), elapse))
-
+        if return_ocr_result_in_table:
+            result['rec_res'] = rec_res
         pred_html, pred = self.rebuild_table(structure_res, dt_boxes, rec_res)
-        return pred_html
+        result['html'] = pred_html
+        return result
 
     def rebuild_table(self, structure_res, dt_boxes, rec_res):
         pred_structures, pred_bboxes = structure_res
         matched_index = self.match_result(dt_boxes, pred_bboxes)
-        pred_html, pred = self.get_pred_html(pred_structures, matched_index, rec_res)
+        pred_html, pred = self.get_pred_html(pred_structures, matched_index,
+                                             rec_res)
         return pred_html, pred
 
     def match_result(self, dt_boxes, pred_bboxes):
@@ -104,11 +111,13 @@ class TableSystem(object):
             # gt_box = [np.min(gt_box[:, 0]), np.min(gt_box[:, 1]), np.max(gt_box[:, 0]), np.max(gt_box[:, 1])]
             distances = []
             for j, pred_box in enumerate(pred_bboxes):
-                distances.append(
-                    (distance(gt_box, pred_box), 1. - compute_iou(gt_box, pred_box)))  # 获取两两cell之间的L1距离和 1- IOU
+                distances.append((distance(gt_box, pred_box),
+                                  1. - compute_iou(gt_box, pred_box)
+                                  ))  # 获取两两cell之间的L1距离和 1- IOU
             sorted_distances = distances.copy()
             # 根据距离和IOU挑选最"近"的cell
-            sorted_distances = sorted(sorted_distances, key=lambda item: (item[1], item[0]))
+            sorted_distances = sorted(
+                sorted_distances, key=lambda item: (item[1], item[0]))
             if distances.index(sorted_distances[0]) not in matched.keys():
                 matched[distances.index(sorted_distances[0])] = [i]
             else:
@@ -122,7 +131,8 @@ class TableSystem(object):
             if '</td>' in tag:
                 if td_index in matched_index.keys():
                     b_with = False
-                    if '<b>' in ocr_contents[matched_index[td_index][0]] and len(matched_index[td_index]) > 1:
+                    if '<b>' in ocr_contents[matched_index[td_index][
+                            0]] and len(matched_index[td_index]) > 1:
                         b_with = True
                         end_html.extend('<b>')
                     for i, td_index_index in enumerate(matched_index[td_index]):
@@ -138,7 +148,8 @@ class TableSystem(object):
                                 content = content[:-4]
                             if len(content) == 0:
                                 continue
-                            if i != len(matched_index[td_index]) - 1 and ' ' != content[-1]:
+                            if i != len(matched_index[
+                                    td_index]) - 1 and ' ' != content[-1]:
                                 content += ' '
                         end_html.extend(content)
                     if b_with:
@@ -187,18 +198,19 @@ def main(args):
     for i, image_file in enumerate(image_file_list):
         logger.info("[{}/{}] {}".format(i, img_num, image_file))
         img, flag = check_and_read_gif(image_file)
-        excel_path = os.path.join(args.output, os.path.basename(image_file).split('.')[0] + '.xlsx')
+        excel_path = os.path.join(
+            args.output, os.path.basename(image_file).split('.')[0] + '.xlsx')
         if not flag:
             img = cv2.imread(image_file)
         if img is None:
             logger.error("error in loading image:{}".format(image_file))
             continue
         starttime = time.time()
-        pred_html = text_sys(img)
-
+        pred_res = text_sys(img)
+        pred_html = pred_res['html']
+        logger.info(pred_html)
         to_excel(pred_html, excel_path)
         logger.info('excel saved to {}'.format(excel_path))
-        logger.info(pred_html)
         elapse = time.time() - starttime
         logger.info("Predict time : {:.3f}s".format(elapse))
 

ppstructure/utility.py

@@ -15,7 +15,7 @@
 import ast
 from PIL import Image
 import numpy as np
-from tools.infer.utility import draw_ocr_box_txt, init_args as infer_args
+from tools.infer.utility import draw_ocr_box_txt, str2bool, init_args as infer_args
 
 
 def init_args():
@@ -30,6 +30,7 @@ def init_args():
         "--table_char_dict_path",
         type=str,
         default="../ppocr/utils/dict/table_structure_dict.txt")
+    # params for layout
     parser.add_argument(
         "--layout_path_model",
         type=str,
@@ -39,11 +40,27 @@ def init_args():
         type=ast.literal_eval,
         default=None,
         help='label map according to ppstructure/layout/README_ch.md')
+    # params for inference
     parser.add_argument(
         "--mode",
         type=str,
         default='structure',
         help='structure and vqa is supported')
+    parser.add_argument(
+        "--layout",
+        type=str2bool,
+        default=True,
+        help='Whether to enable layout analysis')
+    parser.add_argument(
+        "--table",
+        type=str2bool,
+        default=True,
+        help='In the forward, whether the table area uses table recognition')
+    parser.add_argument(
+        "--ocr",
+        type=str2bool,
+        default=True,
+        help='In the forward, whether the non-table area is recognition by ocr')
     return parser
 
 

requirements.txt

@@ -12,3 +12,4 @@ cython
 lxml
 premailer
 openpyxl
+attrdict