deepdoctection

收录理由

做文档抽取系统的人，通常得自己把版面检测、OCR 和文本模型一块块拼起来，费时又容易出错。deepdoctection 把这个过程打包成了一个 Python 框架，能把版面分析、表格识别、OCR、文档或 token 分类串成一条可复用的流水线，并且每一步都能回溯到原始页面。处理扫描件、发票、表单或论文的团队，可以直接跑预训练好的 Detectron2 和 LayoutLM 系列模型，文字识别部分可以换成 Tesseract、DocTR 或 AWS Textract，检测模型也能在自己的文档集上微调。v1.0 重构后只支持 PyTorch，代码拆成了若干小子包，理解起来更轻松，扩展也更容易。如果你整天面对的是乱七八糟的文档图片，想把它变成干净、结构化的数据，这个库能省掉你从零搭栈的功夫。