GLM-OCR架构深度解析版面分析并行识别两阶段流程全景【免费下载链接】GLM-OCRGLM-OCR: Accurate × Fast × Comprehensive项目地址: https://gitcode.com/GitHub_Trending/gl/GLM-OCRGLM-OCR 是什么GLM-OCR是一款面向复杂文档理解的多模态 OCR 开源项目它通过「版面分析 并行识别」的两阶段流水线把 PDF、图片中的文字、表格、公式快速转化为结构化的 Markdown 与 JSON 结果。整个模型仅 0.9B 参数却凭借 PP-DocLayout-V3 版面检测模型与 GLM 视觉解码器的组合在 OmniDocBench V1.5 上取得了 94.62 分的开源第一成绩是新手搭建高可用 OCR 服务的首选方案之一。上图是 GLM-OCR 的版面分析输出doc_title、abstract、chart、figure_title等区域都被精准框出并标注了置信度。两阶段架构总览一张图看懂核心流程GLM-OCR SDK 的核心是一条三阶段异步流水线入口在 pipeline.py数据依次流经四个可插拔模块模块职责源码位置PageLoader统一加载图片 / PDF编码为请求dataloader/page_loader.pyPPDocLayoutDetectorPP-DocLayout-V3 版面区域检测layout/layout_detector.pyOCRClient并行调用视觉大模型识别每个区域ocr_client.pyResultFormatter后处理输出 JSON / Markdownpostprocess/result_formatter.py简化后的数据流向如下图片/PDF ──▶ ① 页面加载 ──▶ ② 版面分析 ──▶ ③ 并行识别 ──▶ ④ 结果格式化 PageLoader LayoutDetector OCRClient×N ResultFormatter之所以采用「先切区域、再识别」的两阶段策略是因为整页直接喂给大模型既贵又容易乱序而按版面区域裁剪后每个小块可以并行送入模型速度和质量都更好。阶段一版面分析——PP-DocLayout-V3 定位文档区域版面检测由 PPDocLayoutDetector 完成它加载 PP-DocLayout-V3 目标检测模型能识别出25 种区域类别覆盖text、table、display_formula、seal印章、chart等类别映射定义在 config.yaml 的label_task_mapping中text/table/formula→ 交给 OCR 阶段使用不同的识别 Promptskip如图表、插图→ 保留区域信息但不做文字识别abandon页眉、页脚、脚注→ 直接丢弃减少无效计算。对于拍照倾斜的表格文档开启use_polygon: true后还可以按多边形轮廓精确裁剪避免把背景切进识别区域手写文档同样适用——版面模型会稳定框出文字行区域再交给 OCR 模型识别效果见下方示例图。阶段二并行识别——最多 32 路线程批量调用视觉模型识别阶段是性能的关键。recognition_worker 内部使用线程池消费裁剪好的区域图默认max_workers: 32即 32 个区域同时在识别。每个区域会根据类别自动拼装任务 Prompt如Text Recognition:/Table Recognition:/Formula Recognition:见 config.yaml 中task_prompt_mapping请求经 OCRClient 发送到 vLLM / SGLang / Ollama 等推理服务或直连智谱 MaaS 云端 API。识别失败的区域会被标记后自动跳过不会阻塞整个文档重试、超时、连接池大小均可在ocr_api配置段中调节高并发服务场景非常友好。三线程流水线加载、版面、识别如何无缝并发整条流水线在 pipeline.py 中由3 个线程 有界队列协作完成源码位于 _workers.pydata_loading_worker把 PDF 按 200 DPI 逐页转图推入page_queue容量 100layout_worker按批做版面检测将裁剪区域推入region_queue容量 2000recognition_worker线程池并行 OCR结果回写共享状态。两个队列都设置了容量上限形成天然的背压机制下游识别慢时上游不会无限堆积内存。同时还有一个_health_watchdog守护线程每 5 秒探测 OCR 服务端口一旦模型服务挂掉立即终止流水线避免请求持续失败堆积。多文档输入时每个文档unit完成后立即按序产出结果无需等待全部文档处理完毕。结果输出JSON Markdown 版面可视化每个输入文档最终产出一个 PipelineResultsave()之后目录里会同时得到三类文件可参考仓库内置示例 examples/result/paper/xxx.md按阅读顺序合并后的 Markdown 正文含表格、LaTeX 公式xxx.json带label、content、bbox_2d坐标的结构化区域列表方便做二次开发layout_vis/版面检测可视化图方便人工抽检模型质量。后处理开关合并公式编号、合并文本块、项目符号格式化都在 config.yaml 的result_formatter段一行配置即可调整输出风格。关键配置速查表配置项默认值说明pipeline.max_workers32区域并行识别线程数服务繁忙时可调小pipeline.page_maxsize100页面队列容量背压pipeline.region_maxsize2000区域队列容量背压pipeline.layout.threshold0.3版面检测置信度阈值pipeline.layout.use_polygonfalse是否按多边形裁剪适合倾斜文档pipeline.layout.device自动可设cpu把版面模型放 CPU让 GPU 专供 OCRpipeline.page_loader.pdf_dpi200PDF 转图分辨率 小技巧单卡部署时可用--layout-device cpu让版面检测跑在 CPU 上把显存完全留给 GLM-OCR 大模型。写在最后GLM-OCR 的架构思路可以总结为三句话版面分析负责切得准并行识别负责跑得快有界队列负责稳得住。如果你刚接触文档智能方向可以直接从 README.md 的一行pip install glmocr开始上手想要深挖源码就从 glmocr/pipeline/ 目录看起——三线程流水线的实现堪称教科书级别的异步工程范式。【免费下载链接】GLM-OCRGLM-OCR: Accurate × Fast × Comprehensive项目地址: https://gitcode.com/GitHub_Trending/gl/GLM-OCR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考