蓝耘Ubantu服务器测试最新 PP-StructureV3 教程

一、服务器配置

二、安装Anaconda3

进入云服务器后删除minconda文件夹

官网： https://repo.anaconda.com/archive/

在里面找到自己系统的安装包，然后右击复制链接安装。

一定要选择Anaconda,因为很多依赖问题用Minconda容易报错。

wget https://repo.anaconda.com/archive/Anaconda3-2024.10-1-Linux-x86_64.sh

进入到存放 Anaconda3-2024.10-1-Linux-x86_64.sh的文件下解压

bash Anaconda3-2024.10-1-Linux-x86_64.sh

创建和激活虚拟环境，建议用python3.10，因为我们用的最新版本的框架，不然会遇到如下报错。

conda create -n ppstructureV3 python=3.10 -y

conda activate ppstructureV3

 这是由 ​​Python 3.8 的类型注解限制​​ 导致的。在Python 3.9之前的版本中，原生类型（如list、dict）不能直接使用下标语法（如list[int]），必须使用typing模块中的泛型类型（如List[int]）

三、安装paddlepaddle

参考安装官网：

使用教程 - PaddleOCR 文档

安装 - PaddleOCR 文档

3.1 查看系统最高支持的cuda版本

nvidia-smi

我的系统cuda支持最高版本12.4，cuda可以向下兼容，所以选择11.8版本的，不能选12.6

我们去官网开始使用_飞桨-源于产业实践的开源深度学习平台下载最新的3.0的版本paddlepaddle，一定要下载3.0的才有最新的ppstructureV3

 python -m pip install paddlepaddle-gpu==3.0.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/ 

 

3.2 安装paddleocr最新版（目前是3.0） 

python -m pip install paddleocr  # 默认是最新的

或者从源码安装（默认为开发分支）：

python -m pip install "git+https://github.com/PaddlePaddle/PaddleOCR.git" 

 3.3 检测是否安装好相关环境

python -c "import paddle; paddle.utils.run_check()"

PaddlePaddle is installed successfully! Let's start deep learning with PaddlePaddle now. 说明 paddlepaddle-gpu安装成功。

 

四、图片测试 

4.1 一行代码快速测试

paddleocr pp_structurev3 -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_structure_v3_demo.png

https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_structure_v3_demo.png

测试图片原图

识别效果：

 

4.2 python角本测试本地的带框表格图片

新建3.py 和 png 文件保存图片

from paddleocr import PPStructureV3

import time  # 新增导入time模块

# 初始化模型（此步骤耗时不计入推理时间）

pipeline = PPStructureV3(device="gpu")

# 开始计时（精确到微秒级）

start_time = time.perf_counter()  # 网页1/网页2/网页5推荐的高精度计时方式

# 执行推理

output = pipeline.predict(r"/root/lanyun-tmp/png/信息.png")

# 结束计时并计算差值

elapsed = time.perf_counter() - start_time  # 网页6提到的精度控制方法

# 打印三位小数秒数（格式化为xxx.xxx秒）

print(f"推理耗时: {elapsed:.3f} 秒")  # 网页6中.3f实现三位小数

# 结果处理

for res in output:

    res.print()

    res.save_to_json(save_path="/root/lanyun-tmp/output")

    res.save_to_markdown(save_path="/root/lanyun-tmp/output")

测试图片：

 

输出结果：

用md工具打开那个文件可以看到，识别的准确度很高，仅仅序号7识别错了，但是印章信息还是不能识别，后续可能要用专门的印章识别工具。 

推理用时：8.48秒 速度很慢，相比ppocr同用文字识别的0.5s

 

资源使用情况：峰值 5 G （可以新开一个终端 pip install nvitop下载一个资源监控包，如何新的终端运行nvitop专门做资源检测终端）

4.3 测试4.1的非洲图片识别效果

4.4 测试公式图片

原图：

测试输出的md格式：

4.5 测试无框的身份证信息图片

测试图片：

输出的md格式：

推理耗时: 6.980 秒

可以看到，输出的内容模糊的还是看不到，但是比ppocr的输出结果好一点，至少输出内容语义没有断开。

五、PDF文件识别

参考官方代码修改得到下面代码

# 导入必要的模块

from pathlib import Path  # 用于处理文件路径

from paddleocr import PPStructureV3  # PaddleOCR的V3版文档结构分析模型

import time  # 新增导入time模块（当前代码中未使用，可能计划用于性能计时）

# 设置输入文件路径和输出目录

input_file = r"/root/lanyun-tmp/png/your_pdf.pdf"  # 需要处理的PDF文件路径

output_path = Path("/root/lanyun-tmp/output_pdf")  # 输出目录的Path对象

# 初始化PPStructureV3文档分析流水线

pipeline = PPStructureV3()

start_time = time.perf_counter()  # 记录推理开始时间

# 对输入文件进行结构化分析，获取包含文本和布局信息的输出结果

output = pipeline.predict(r"/root/lanyun-tmp/png/your_pdf.pdf")

end_time = time.perf_counter()  # 记录推理结束时间

# 打印推理耗时（单位：秒，保留3位小数）

print(f"\n[推理耗时] {end_time - start_time:.3f} 秒\n")

# 初始化存储Markdown内容和图片的列表

markdown_list = []  # 存储各页面的Markdown信息

markdown_images = []  # 存储各页面的图片数据

# 遍历处理每个页面的分析结果

for res in output:

    # 获取当前页面的Markdown格式信息

    md_info = res.markdown

    markdown_list.append(md_info)  # 将Markdown信息添加到列表

    # 提取当前页面的图片数据（如果有的话），并添加到图片列表

    markdown_images.append(md_info.get("markdown_images", {}))

print(markdown_list) # 测试有没有每一页的md信息

# 将多页的Markdown内容合并为完整的文档

# markdown_texts = pipeline.concatenate_markdown_pages(markdown_list)

# 手动合并多页Markdown内容

markdown_texts = "\n\n".join([

    page_res["markdown_text"]

    for page_res in markdown_list

    if page_res.get("markdown_text")

])

# 构建输出Markdown文件路径（保持与原文件同名，后缀改为.md）

mkd_file_path = output_path / f"{Path(input_file).stem}.md"

mkd_file_path.parent.mkdir(parents=True, exist_ok=True)  # 确保输出目录存在

# 将合并后的Markdown内容写入文件

with open(mkd_file_path, "w", encoding="utf-8") as f:

    f.write(markdown_texts)

# 处理并保存文档中的图片

for item in markdown_images:

    if item:  # 检查是否存在图片数据

        for path, image in item.items():  # 遍历图片路径和图片对象

            file_path = output_path / path  # 构建完整图片保存路径

            file_path.parent.mkdir(parents=True, exist_ok=True)  # 创建图片存储目录

            image.save(file_path)  # 保存图片到指定路径

注意 # markdown_texts = pipeline.concatenate_markdown_pages(markdown_list)，我们最新版的也会出现下面的报错，应该是移除了这个函数。所以注释掉官方代码，重新写一个。

识别效果：时间8.055秒 

 

资源使用情况：

六、总结

1.  PP-StructureV3 的效果还可以尤其是对版面信息、有框图表格的识别效果。

2. 推理时间较长，后续看看百度的加速推理框架。

3. 对于身份证、营业执照等信息的抽取还是不行、后续看看 PP-Structure的kie模块。