MinerU/zhch/universal_doc_parser/模型统一框架.md

参考minerU实现的模型统一框架, 对于我们设计的金融场景， 一种是银行交易流水，特点是单栏列表形式，没有合并单元格，分无线表格和有线表格两种形式； 另一种是财务报表形式，特点是多栏列表形式，有合并单元格，且表头复杂。且分有线，无线表格两种形式。 minerU pipeline使用paddle的ocr模型，对于文字识别效果较好，但表格结构识别效果一般 对于表格识别minerU vlm和PaddleOCR-VL的效果都很好 对于我们的应用场景，版式识别使用paddle的转寒微onnx的RT-DETR-H_layout_17cls模型效果较好 同时要求为了方便交叉核对，需要返回每个单元格的坐标信息。

对于银行交易流水, 构想的处理流程如下:

1. 方向旋转, PP-LCNet_x1_0_doc_ori.onnx沿用现有minerU实现
2. layout检测, RT-DETR-H_layout_17cls.onnx仿制minerU实现
3. 文本调用PaddleOCR进行检测和识别，pytorch模型
4. 其他如：表格，数学公式等调用minerU vlm或PaddleOCR-VL进行检测和识别
5. 调用minerU后处理模块进行表格结构恢复和HTML生成，同时返回单元格坐标信息

这里用到的模型都可以通过配置文件进行配置和替换，方便后续进行模型升级和替换，调用模型的代码都应可以采用adpter的方式尽量复用minerU的实现。