Skip to content

Latest commit

 

History

History
65 lines (50 loc) · 3.9 KB

rust-models.md

File metadata and controls

65 lines (50 loc) · 3.9 KB

Rust 模型下载与目录

模型清单位于 rust/rapiddoc-inference/models.json,编译进 Rust 公共推理库。 模型查找、流式下载、SHA256 校验及失败清理由 Rust 完成,Python 仅传递参数。

默认原始模型目录为 ~/.cache/rapid_doc/models。需要共享已有模型时设置:

import os
os.environ['RAPID_MODELS_DIR'] = r'D:\CodeProjects\doc\RapidAI\models'
from rapid_doc_rust import RapidDoc

也可设置 RAPIDDOC_MODEL_DIR;前者优先。查找范围仅限指定目录,支持其下原有模型子目录。 不再扫描 Python 包、项目源码及构建目录。显式传入的模型路径仍优先,支持自定义权重。 已有同名文件必须通过校验才会复用;下载到独立临时文件,校验成功后发布,失败清理临时文件。 不生成优化后的 ONNX 磁盘缓存。

清单采用 schema_version / defaults / models:

  • models 按具体模型 ID 区分模型,每项只保留 filename、url 和 sha256。
  • defaults 将推理角色映射到模型 ID;默认仍为 V3 版面、M 公式及原有表格组合。
  • 原有 10 个默认模型的文件名、ModelScope 地址、SHA256 均保持不变。
  • V2、V3 版面,公式 S/M/L,以及 TATR 表格结构识别支持通过兼容参数切换。Plus-L 支持下载和独立检测,完整 PDF 流程按用户要求等待 XY-cut 阅读顺序接入。支持情况由实际代码决定,不在下载清单中另设状态字段。
  • TATR 使用已上传的 table_transformer_v1_1_all.onnx;不下载其验证报告 JSON。

Python 安装包可通过 rapid_doc_rust._runtime.CATALOG 查看同一份嵌入清单。 MANIFEST 保留默认角色视图,供现有诊断及验收脚本使用。

首次使用需联网下载缺失的原始模型;已有模型只需将共享目录指向正确位置。 下载依赖的许可证随 wheel 收录于 licenses/MODEL-DOWNLOAD-NOTICES.txt。

模型切换

from rapid_doc_rust import RapidDoc

engine = RapidDoc(
    layout_config={"model_type": "pp_doclayoutv2"},
    formula_config={"model_type": "pp_formulanet_plus_s"},
    table_config={
        "model_type": "table_transformer",
        "rule_table_engine": "docvortex_ocr",
    },
)
result = engine("example.pdf")

完整 PDF 版面可选 pp_doclayoutv2、pp_doclayoutv3,以及原有 docvortex_rule。 pp_doclayout_plus_l 可通过模型加载器与独立版面检测接口使用;其模型没有阅读顺序,Python 对应的 XY-cut 分支此前暂缓迁移,本次确认继续暂缓,因此不会拿检测框顺序替代阅读顺序。PDF 入口会明确提示这一限制。 公式可选 pp_formulanet_plus_s、pp_formulanet_plus_m、pp_formulanet_plus_l。 表格增加 table_transformer,保留 unet_slanet_plus、unet、slanet_plus。 各模型原有 model_dir_or_path 显式路径仍可使用。

docvortex_ocr 使用原生 PDF 规则优先;未接纳时尝试 OCR 整词和图像线段。 保留倾斜矫正、低置信度拒绝、物理外框与整词唯一占格校验;含已知公式、复选框、嵌入图片时不走 OCR 规则。 未接纳或规则恢复异常时回退所选表格模型。use_rule_table=False、force_ocr=True 仍可关闭规则捷径。 use_word_box 默认行为保持原状,未自动启用拆字。Rust 共享配置接受显式 use_word_box=False(以及空值),与省略参数一致;当前生产表格链路尚未接入 True 所需的原生及 OCR 字符框拆分,不会把启用请求静默当作关闭处理。

默认仍为 V3、M、unet_slanet_plus 和 docvortex,不会因接入新模型而改变。 现有 CUDA 图优化继续按已验证的默认权重哈希启用;新增模型先使用原始 ONNX 图,不套用其他规格的图改写。

可选的备用模型与文字回退配置见 表格回退。独立 Python 和 Rust 接口配置一致,两个开关均默认关闭。