X-AnyLabeling 文档解析

简介

PaddleOCR-VL 系列模型的文档解析能力已集成至 X-AnyLabeling 标注平台。

X-AnyLabeling 是由 CVHub 推出的工业级一体化智能标注平台，打通训练、推理、标注全链路。借助其 PaddleOCR 面板，开发者可以基于 PaddleOCR-VL 系列模型对图片和 PDF 进行版面解析、文字识别、公式识别、表格识别和印章识别，并在识别完成后对结果进行复核、编辑、复制和导出。

PaddleOCR-VL 在 X-AnyLabeling 中提供两种接入方式：

• 官方 API（推荐）：直接调用 PaddleOCR 官方 API，适合快速验证模型效果、低成本体验和轻量开发场景，无需额外部署推理服务。
• 本地部署：通过 X-AnyLabeling-Server 自行部署推理服务，适合私有化部署、敏感数据处理和持续性标注任务。

1. 安装 X-AnyLabeling

推荐从官方 Release 下载对应平台的预编译包：

• Release 地址：https://github.com/CVHub520/X-AnyLabeling/releases

也可以通过 pip 安装：

pip install x-anylabeling

启动后可以通过左侧工具栏中的 PaddleOCR 图标，或使用快捷键 Ctrl+4 打开 PaddleOCR 面板。

打开后即可看到 PaddleOCR 面板的初始界面：

2. 配置 PaddleOCR 官方 API

X-AnyLabeling 客户端默认支持 PaddleOCR 官方 API。首次打开 PaddleOCR 面板且尚未配置 API 信息时，界面会自动弹出 PPOCR API Settings 配置窗口；后续如需修改配置，也可以点击右侧结果面板顶部的齿轮按钮重新打开。

获取 API_KEY 的方式：

1. 访问 PaddleOCR 官方网站：https://www.paddleocr.com
2. 点击右上角 API，选择 PaddleOCR-VL-1.5。
3. 打开示例代码，复制其中的 TOKEN（访问令牌）。
4. 回到 X-AnyLabeling 的 PPOCR API Settings，将其粘贴到 API_KEY 字段并确认即可。

API_KEY 用于接口鉴权，支持申请每天免费解析数万文档页数。配置会保存在本地：

${workspace}/xanylabeling_data/paddleocr/api_settings.json

默认情况下，${workspace} 为用户主目录 ~；如果启动 X-AnyLabeling 时传入了 --work-dir，则以该目录为准。

右侧 Parsing Model 下拉框当前支持以下官方 API 选项：

• PaddleOCR-VL-1.5 (API)
• PaddleOCR-VL (API)

3. 导入待解析文档

打开 PaddleOCR 面板后，点击左侧面板顶部的 + New Parsing 导入文件。导入后文件会自动复制到本地 PaddleOCR 工作目录，并自动加入解析队列。

当前 PaddleOCR 面板支持的文件类型：

类型	后缀
PDF 文档	.pdf
图片	.bmp, .cif, .gif, .jpeg, .jpg, .png, .tif, .tiff, .webp

适用的真实场景包括教材页面、论文截图、票据图片、合同扫描件、表格文档、政企材料等。

4. 选择解析模型

在右侧 Parsing Model 下拉框中可在 PaddleOCR-VL 系列的不同版本之间切换：

• PaddleOCR-VL-1.5 (API)（推荐）：在 OmniDocBench v1.5 上达到 94.5% 精度，支持异形框定位，对扫描、倾斜、弯折、屏幕拍摄及复杂光照等场景具备更强鲁棒性，并新增印章识别与文本检测识别能力。
• PaddleOCR-VL (API)：初代版本。

5. 执行 Document Parsing

选择模型后，X-AnyLabeling 会自动开始解析。模型会对文档中的文本、公式、表格、图表、印章等内容进行识别和结构化处理。

左侧文件项左下角的彩色点表示解析状态：

• 蓝色：待解析或正在解析
• 绿色：解析完成
• 红色：解析失败

6. 对照原文档复核解析结果

解析完成后，X-AnyLabeling 会呈现左右对照视图：左侧为原始文档，右侧为模型的解析结果。开发者可以逐段检查文字内容、公式表达、表格结构、图表信息和印章结果是否准确，并通过以下操作进行复核：

• 单击左侧预览区或右侧结果区中的任意块，可以在两侧快速匹配并高亮对应内容。
• 双击右侧识别结果中的某个块，或点击该块的 纠正 按钮，进入编辑状态。
• 鼠标悬停在源文件预览区的块上时，可以直接点击浮出的 复制 按钮复制该块内容。
• 对识别结果做人工修正后，JSON 中会记录已编辑块；如需重新获取模型结果，可使用右侧重解析按钮。

针对不同类型的内容，X-AnyLabeling 提供专用编辑器：

编辑器	适用场景
富文本编辑器	普通文本、标题、页脚、印章等非表格/公式内容
LaTeX 公式编辑器	display_formula, formula, formula_number, algorithm，支持源码编辑与实时预览
表格编辑器	table 或被识别为表格结构的内容，支持单元格编辑、增删行列等

7. 切换 JSON 视图查看结果

除了 Document Parsing 视图外，X-AnyLabeling 还支持 JSON 视图：

• Document Parsing 视图：以卡片形式展示版面块、文本、公式、表格、图片，适合人工阅读和结果复核。
• JSON 视图：查看完整的结构化结果，适合开发者进行数据处理、训练样本构建、评测结果整理和业务系统集成。

8. 导出结果

完成复核和修正后，可以将标注结果导出，用于后续任务，典型用途包括：

• 构建 OCR 训练数据集
• 进行模型评测和误差分析
• 沉淀企业内部文档解析数据
• 接入业务系统进行自动化处理

在 Document Parsing 视图下，右侧工具栏的下载按钮会下载包含 Markdown 与相关资源的 ZIP；在 JSON 视图下则下载完整 JSON。

数据目录结构

X-AnyLabeling PaddleOCR 面板会将导入文件和解析结果保存在本地工作目录中：

${workspace}/xanylabeling_data/paddleocr/
├── api_settings.json
├── ui_state.json
├── files/
│   ├── example.pdf
│   ├── image.png
│   ├── __PDF_example/
│   │   ├── page_001.png
│   │   └── page_002.png
│   └── __BLOCK_IMAGES_image.png/
│       └── page_001_block_0001.png
└── jsons/
    ├── example.pdf.json
    └── image.png.json

删除左侧文件项时，会同时删除源文件、本地 JSON、PDF 预览页和 block 裁剪图。

参考链接

• X-AnyLabeling 项目主页：https://github.com/CVHub520/X-AnyLabeling
• X-AnyLabeling PaddleOCR 面板文档：https://github.com/CVHub520/X-AnyLabeling/blob/main/docs/zh_cn/paddle_ocr.md
• X-AnyLabeling-Server（本地推理服务）：https://github.com/CVHub520/X-AnyLabeling-Server
• PaddleOCR 官方网站：https://www.paddleocr.com
• PaddleOCR-VL 使用教程：PaddleOCR-VL 使用教程

评论