用 docTR 构建端到端文档智能流水线：OCR、版面分析

在本教程中，我们使用docTR开发一个端到端的OCR工作流，并探索现代文档理解流水线如何结合文本检测、识别、几何、布局分析、结构化提取和导出。我们生成逼真的合成发票文档，通过DocumentFile加载图像和PDF，构建支持GPU的OCR预测器，并基准测试不同的检测-识别架构组合的速度和准确性。然后，我们检查内部Document层次结构，可视化置信度感知的边界框，使用独立的检测和识别模型，对低置信度单词实施两遍识别，调整检测阈值，并引入自定义流水线钩子用于框过滤和填充。我们还处理旋转和倾斜的文档，尝试布局检测和KIE，重建阅读顺序和表格信息，提取结构化发票字段，并将结果导出为文本、JSON、hOCR、合成文档图像和可搜索PDF。最后，我们考察实际性能、微调、批处理及部署考虑，以理解如何从基本OCR示例过渡到面向生产的文档智能流水线。