LayoutLMv3

概述

LayoutLMv3 是微软推出的多模态文档理解模型，结合视觉和文本信息进行文档布局分析，是 MinerU 第三层流水线中可选的布局检测模型之一。

关键内容

在 MinerU 中的角色

• 布局检测备选：与 DocLayout-YOLO 并列，MinerU 支持两种布局检测模型
• 多模态理解：同时利用视觉特征和文本特征进行布局分类
• 适用场景：对布局复杂度较高的文档可能提供更高精度

技术特点

• 预训练多模态模型（视觉 + 文本）
• 支持文档布局分类和元素检测
• 相比纯视觉的 YOLO 方案，推理成本可能更高但精度更优

来源

• raw/assets/MinerU/minerU_01_architecture.md — MinerU 深度解析系列 · 第一篇

相关

• MinerU — 可选的布局检测模型
• 文档布局检测 — 所属技术领域
• DocLayout-YOLO — 可替代的布局检测模型