Youtu-Parsing快速开始：单图片模式、批量处理模式、输出格式详解

Youtu-Parsing快速开始单图片模式、批量处理模式、输出格式详解1. 项目概述Youtu-Parsing是腾讯优图实验室推出的专业文档解析模型基于Youtu-LLM-2B构建能够智能识别文档中的多种元素文本内容精准OCR文字识别支持多语言混合文档表格数据自动转换为HTML或Markdown格式数学公式识别并转换为LaTeX格式图表信息转换为Markdown描述或Mermaid图表印章与手写体识别印章内容和手写批注2. 环境准备与快速部署2.1 访问WebUI界面部署完成后通过浏览器访问WebUIhttp://服务器IP:7860本地运行时使用http://localhost:78602.2 服务管理命令常用服务管理命令# 查看服务状态 supervisorctl status youtu-parsing # 重启服务 supervisorctl restart youtu-parsing # 查看实时日志 tail -f /var/log/supervisor/youtu-parsing-stdout.log3. 单图片模式详解3.1 基本操作流程点击Upload Document Image按钮上传图片支持拖拽上传或剪贴板粘贴点击Parse Document开始解析查看右侧显示区域的结果3.2 支持的文件格式PNGJPEG/JPGWebPBMPTIFF3.3 解析结果查看解析完成后界面会显示原始图片预览结构化解析结果默认Markdown格式元素定位可视化可选显示边界框JSON格式详情可切换视图4. 批量处理模式实战4.1 批量处理操作步骤切换到Batch Processing标签页选择多张图片上传支持全选文件夹点击Parse All Documents开始批量解析系统自动处理并合并显示所有结果4.2 批量处理优化建议文件命名规范建议使用有意义的文件名便于结果对应分批处理大量文件可分多次处理建议每次不超过50个结果保存自动保存到/root/Youtu-Parsing/outputs/目录4.3 批量处理日志查看# 查看批量处理日志 tail -f /root/Youtu-Parsing/outputs/batch_process.log5. 输出格式详解5.1 Markdown格式输出默认输出格式包含完整文档结构# 文档标题 ## 文本内容 段落文字... ## 表格数据 | 列1 | 列2 | |-----|-----| | 数据 | 数据 | ## 数学公式 $$Emc^2$$ ## 图表描述 [柱状图显示...]5.2 JSON格式输出完整结构化数据包含元素位置信息{ metadata: { filename: document.jpg, parse_time: 2.3s }, content: { text: ..., tables: [ { html: table.../table, markdown: |...|, bbox: [x1,y1,x2,y2] } ], formulas: [ { latex: Emc^2, bbox: [x1,y1,x2,y2] } ] } }5.3 纯文本格式输出简洁的文字内容适合快速浏览文档标题 段落文字... 表格数据: 列1 列2 数据 数据 数学公式: Emc^26. 高级功能与技巧6.1 元素定位可视化在JSON输出中每个元素包含bbox字段表示元素在原始图片中的位置# 示例绘制元素边界框 import cv2 import json def draw_bboxes(image_path, json_path): img cv2.imread(image_path) with open(json_path) as f: data json.load(f) for element in data[content][elements]: x1, y1, x2, y2 element[bbox] cv2.rectangle(img, (x1,y1), (x2,y2), (0,255,0), 2) cv2.imwrite(annotated.jpg, img)6.2 自定义输出格式通过修改配置文件/root/Youtu-Parsing/config.yaml可以调整output: markdown: enabled: true table_format: html|markdown # 表格输出格式选择 json: enabled: true include_bbox: true # 是否包含元素位置信息6.3 API调用示例Youtu-Parsing提供HTTP API接口import requests url http://localhost:7860/api/parse files {image: open(document.jpg, rb)} params {output_format: json} response requests.post(url, filesfiles, paramsparams) print(response.json())7. 常见问题解决7.1 解析速度优化首次加载模型首次加载需要1-2分钟图片分辨率建议宽度不超过2000像素批量处理适当调整并发数默认5个并行7.2 识别准确率提升图片预处理from PIL import Image, ImageEnhance def preprocess(image_path): img Image.open(image_path) # 增强对比度 enhancer ImageEnhance.Contrast(img) img enhancer.enhance(1.5) return img文档方向确保文字方向正确元素间距避免元素重叠7.3 服务管理问题# 端口冲突解决 lsof -i :7860 kill -9 进程ID # 服务自动重启配置 cat /etc/supervisor/conf.d/youtu-parsing.conf8. 总结与下一步8.1 核心优势回顾全要素解析一站式处理文本、表格、公式、图表等双并行加速Token并行查询并行速度提升5-11倍结构化输出直接可用于RAG系统的Markdown/JSON格式像素级定位精确标注每个元素位置8.2 典型应用场景RAG数据准备快速构建知识库企业文档数字化合同、报告结构化处理学术研究论文资料解析与整理教育行业试卷、作业数字化8.3 进阶学习建议API深度集成将解析服务嵌入现有工作流后处理优化针对特定场景定制结果处理性能调优根据硬件配置调整并发参数获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。