MinerU本地部署
项目介绍:这是一款支持PDF、网页、电子书提取的一站式、开源、高质量数据提取工具。
项目地址:GitHub - opendatalab/MinerU: 一站式、开源、高质量的数据提取工具,支持PDF/网页/电子书提取。
准备工具:git,cuda12.4(本机版本)
项目部署:
- 将项目文件下载到本地
- 创建虚拟环境:conda create -n MinerU python=3.10
- 激活虚拟环境:conda activate MinerU
- 进入项目地址:D:
cd D:\liu\Project\MinerU-master
- 安装应用程序:pip install -U magic-pdf[full] --extra-index-url https://wheels.myhloli.com
安装完成后验证版本:版本号应大于0.7.0
- 下载模型(已下载git并可使用):
- 在模型下载目标路径右键选择open git bash here
- git lfs install # 安装 Git 大文件存储插件 (Git LFS)
- git lfs clone 魔搭社区
以上方法为本人尝试,更多方法参考官网,模型拉取后检查模型文件是否完整
注意模型拉取后名为model非直接可用,需要进入文件夹找到models文件夹即为可用,即打开文件夹就是下图结构
- 文件配置
- 从根目录获取配置模板文件。magic-pdf.template.json
- 将文件复制到用户目录下并更名为magic-pdf.json
- 编辑文件修改models-dir字段和device-mode字段
models-dir字段:模型路径
device-model:cpu 或 cuda
- 覆盖支持 CUDA 的 torch 和 torchvision 的安装(CPU用户跳过此步骤)
官网代码:pip install --force-reinstall torch==2.3.1 torchvision==0.18.1 --index-url https://download.pytorch.org/whl/cu118
本机cuda版本不同,pytorch对应版本代码:pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 --index-url https://download.pytorch.org/whl/cu121
- 下载paddlepaddle-gpu,安装后会自动开启 OCR 加速:pip install paddlepaddle-gpu==2.6.1(CPU用户跳过此步骤)
- 运行:magic-pdf -p small_ocr.pdf -o output(测试文件存放在根目录demo文件夹下,可移动至根目录执行此命令)
结果:
对照:左为pdf文件,右为识别结果