MonkeyOCR 是一個(gè)用于文檔解析OCR的項(xiàng)目，采用結(jié)構(gòu) - 識(shí)別 - 關(guān)系三元組范式。它支持英文和中文文檔解析。能處理 PDF 和圖像文件，輸出多種格式結(jié)果。還可通過(guò)特定方式更新配置文件以使用不同模型。

DEMO

支持中英文

公式

表格

報(bào)紙

財(cái)務(wù)報(bào)告

技術(shù)特點(diǎn)

創(chuàng)新的 SRR 三元組范式：將文檔解析抽象為 “在哪里”（結(jié)構(gòu)）、“是什么”（識(shí)別）和 “如何組織”（關(guān)系）三個(gè)基本問(wèn)題，對(duì)應(yīng)布局分析、內(nèi)容識(shí)別和邏輯排序，平衡了準(zhǔn)確性和速度，實(shí)現(xiàn)高效、可擴(kuò)展的處理而不犧牲精度。

三階段處理流程：

• 結(jié)構(gòu)檢測(cè)：使用基于 YOLO 的文檔布局檢測(cè)器，準(zhǔn)確分割文本塊、表格、公式、圖像等語(yǔ)義區(qū)域。

• 塊級(jí)內(nèi)容識(shí)別：對(duì)每個(gè)檢測(cè)到的區(qū)域并行進(jìn)行內(nèi)容識(shí)別，利用統(tǒng)一的大型多模態(tài)模型（LMM），避免傳統(tǒng)管道的錯(cuò)誤傳播。

• 關(guān)系預(yù)測(cè)：通過(guò)專(zhuān)用的塊級(jí)閱讀順序模型，推斷檢測(cè)元素之間的邏輯閱讀順序，重建其邏輯和語(yǔ)義連接。

大規(guī)模多樣化數(shù)據(jù)集：開(kāi)發(fā)了 MonkeyDoc 數(shù)據(jù)集，包含 390 萬(wàn)個(gè)塊級(jí)實(shí)例，覆蓋 5 個(gè)核心文檔解析任務(wù)和 10 多種文檔類(lèi)型，全面支持中英文。

性能表現(xiàn)：

• 與 MinerU 相比，在中英文文檔上平均提升 5.1%，公式識(shí)別提升 15.0%，表格識(shí)別提升 8.6%。

• 3B 參數(shù)模型在英文文檔解析任務(wù)上超越更大的模型，如 Qwen2.5-VL（72B）和 Gemini 2.5 Pro。

• 多頁(yè)文檔處理速度達(dá) 0.84 頁(yè) / 秒，優(yōu)于 MinerU（0.65）和 Qwen2.5-VL-7B（0.12）。

項(xiàng)目鏈接

https://github.com/Yuliang-Liu/MonkeyOCR