feat: 新增 Docling RT-DETR 与 DiT 模型性能对比分析文档

- 创建新的 Markdown 文档，详细分析 Docling RT-DETR 和 DiT 在财务报表处理中的性能差异。
- 通过对比训练数据、类别体系、模型微调策略和后处理策略，阐明 Docling 在商业文档适配性上的优势。
- 提供实际效果对比和模型选择建议，帮助用户在不同文档类型中做出更优选择。
- 文档包含技术细节、模型选择决策树和解决方案建议，旨在提升用户对布局检测技术的理解和应用能力。

docs/ocr_tools/universal_doc_parser/为什么Docling效果比DiT好.md

@@ -0,0 +1,470 @@
+# 为什么 Docling RT-DETR 效果比 DiT 好？
+
+## 📋 问题背景
+
+根据实际测试，在处理**财务报表**（如 `2023年度报告母公司.pdf`）时，**Docling 的 RT-DETR 布局检测模型**效果明显优于 **DiT + Detectron2**，这与文档中描述的"DiT + Detectron2 是最强组合"似乎不符。
+
+## 🔍 核心原因分析
+
+### 1. **训练数据差异** ⭐⭐⭐⭐⭐
+
+这是**最关键的因素**：
+
+| 模型 | 训练数据集 | 数据特点 | 适配性 |
+|------|-----------|---------|--------|
+| **DiT + Detectron2** | **PubLayNet** | 学术论文布局（PDF格式） | ❌ 不适合财务报表 |
+| **Docling RT-DETR** | **DocLayNet + 其他文档数据集** | 多样化商业文档 | ✅ 更适合财务报表 |
+
+#### PubLayNet 数据集特点
+```
+- 数据来源：arXiv 学术论文
+- 文档类型：科研论文（PDF）
+- 布局特点：
+  * 标准双栏布局
+  * 标题、摘要、正文、参考文献
+  * 表格多为数据表格
+  * 图片多为图表
+- 类别：Text, Title, List, Table, Figure
+```
+
+#### DocLayNet 数据集特点
+```
+- 数据来源：多样化商业文档
+- 文档类型：
+  * 财务报表
+  * 技术报告
+  * 法律文件
+  * 科学论文
+  * 专利文档
+- 布局特点：
+  * 复杂多栏布局
+  * 页眉页脚
+  * 表格结构多样
+  * 图片类型丰富
+- 类别：17个类别（包括 Page-header, Page-footer, Key-Value Region 等）
+```
+
+#### 财务报表特点（您的数据）
+```
+- 文档类型：年度财务报告
+- 布局特点：
+  * 页眉（公司信息、联系方式）
+  * 正文段落（审计说明）
+  * 复杂表格（财务报表）
+  * 页脚（签名、日期）
+  * 印章、签名区域
+- 与 PubLayNet 差异：
+  * ❌ 不是学术论文格式
+  * ❌ 没有标准的双栏布局
+  * ❌ 包含更多商业文档元素
+```
+
+**结论**：DiT 在学术论文上训练，对财务报表的适配性较差。
+
+---
+
+### 2. **类别体系差异** ⭐⭐⭐⭐
+
+#### DiT (PubLayNet) 类别
+```python
+# 仅5个类别
+categories = [
+    'Text',      # 文本段落
+    'Title',     # 标题
+    'List',      # 列表
+    'Table',     # 表格
+    'Figure'     # 图片
+]
+```
+
+#### Docling RT-DETR 类别
+```python
+# 17个类别，更细粒度
+categories = [
+    'Text',              # 文本段落
+    'Title',             # 标题
+    'Section-header',    # 章节标题
+    'List-item',         # 列表项
+    'Table',             # 表格
+    'Picture',           # 图片
+    'Caption',           # 图注
+    'Page-header',       # 页眉 ⭐
+    'Page-footer',       # 页脚 ⭐
+    'Footnote',          # 脚注
+    'Formula',           # 公式
+    'Code',              # 代码
+    'Checkbox',          # 复选框
+    'Form',              # 表单
+    'Key-Value Region',  # 键值对区域 ⭐
+    'Document Index',    # 文档索引
+    'Background'         # 背景
+]
+```
+
+**财务报表中的关键元素**：
+- ✅ **Page-header**：公司名称、联系方式（Docling 能识别，DiT 不能）
+- ✅ **Page-footer**：签名、日期（Docling 能识别，DiT 不能）
+- ✅ **Key-Value Region**：键值对信息（Docling 能识别，DiT 不能）
+
+**结论**：Docling 的类别体系更适合商业文档。
+
+---
+
+### 3. **模型微调策略** ⭐⭐⭐
+
+#### DiT 微调情况
+```
+- 预训练：4200万文档图像（IIT-CDIP）
+- 微调：PubLayNet（学术论文）
+- 领域适配：❌ 未针对商业文档微调
+```
+
+#### Docling RT-DETR 微调情况
+```
+- 预训练：COCO 等通用数据集
+- 微调：DocLayNet（多样化商业文档）
+- 领域适配：✅ 专门针对商业文档优化
+- 可能还包含：
+  * 财务报表数据
+  * 技术报告
+  * 法律文件
+```
+
+**结论**：Docling 在商业文档上进行了专门微调。
+
+---
+
+### 4. **后处理策略差异** ⭐⭐⭐
+
+#### DiT 后处理
+```python
+# dit_layout_adapter.py
+# 1. 重叠框处理（可能过于激进）
+if self._remove_overlap:
+    formatted_results = LayoutUtils.remove_overlapping_boxes(
+        formatted_results,
+        iou_threshold=0.8,
+        overlap_ratio_threshold=0.8,
+        max_area_ratio=0.8,  # 可能过滤掉有效的大区域
+        enable_category_restriction=True,
+        enable_category_priority=True
+    )
+
+# 2. 误检图片框过滤
+if self._filter_false_positive_images:
+    formatted_results = LayoutUtils.filter_false_positive_images(
+        formatted_results,
+        min_text_area_ratio=0.3
+    )
+```
+
+**问题**：
+- ❌ 重叠框处理可能过于严格
+- ❌ 误检过滤可能误删有效区域
+- ❌ 类别限制可能不合理
+
+#### Docling 后处理
+```python
+# docling_layout_adapter.py
+# 1. 简单过滤
+if width < 10 or height < 10:
+    continue
+
+# 2. 面积过滤（更宽松）
+if area > img_area * 0.95:  # 只过滤几乎覆盖整页的框
+    continue
+
+# 3. 无复杂的重叠处理
+# RT-DETR 端到端训练，输出质量高，无需复杂后处理
+```
+
+**优势**：
+- ✅ 后处理简单，减少误删
+- ✅ RT-DETR 端到端训练，输出质量高
+- ✅ 无需 NMS，减少后处理误差
+
+---
+
+### 5. **模型架构适配性** ⭐⭐
+
+#### DiT + Detectron2 架构
+```
+输入图像
+    ↓
+[DiT Backbone: ViT]
+    ├─ 全局注意力机制
+    ├─ 文档域预训练
+    └─ 多尺度特征提取
+    ↓
+[FPN + RPN]
+    ├─ 特征金字塔
+    └─ 区域提议网络
+    ↓
+[Mask R-CNN Head]
+    ├─ ROI Align
+    ├─ 分类 + 回归
+    └─ Mask 分割
+    ↓
+[NMS 后处理]
+    ↓
+输出结果
+```
+
+**特点**：
+- ✅ 全局建模能力强
+- ✅ 支持实例分割
+- ❌ 推理速度慢
+- ❌ 需要复杂后处理
+- ❌ 对训练数据依赖性强
+
+#### RT-DETR 架构
+```
+输入图像
+    ↓
+[Hybrid Encoder]
+    ├─ CNN Backbone（ResNet/HGNet）
+    └─ Transformer Encoder
+    ↓
+[Transformer Decoder]
+    ├─ Query-based 检测
+    └─ IoU-aware 选择
+    ↓
+**无需 NMS** ✅
+    ↓
+输出结果
+```
+
+**特点**：
+- ✅ 端到端训练，无需 NMS
+- ✅ 推理速度快
+- ✅ 输出质量高
+- ✅ 对多样化数据适应性强
+
+---
+
+## 📊 实际效果对比
+
+### 财务报表检测结果
+
+#### DiT 检测问题
+```json
+// 问题1：将整页识别为图片
+{
+  "category": "image_body",
+  "bbox": [143, 0, 1485, 2338],  // 几乎覆盖整页
+  "confidence": 0.447
+}
+
+// 问题2：类别识别错误
+{
+  "category": "text",
+  "bbox": [157, 106, 1474, 1344],
+  "confidence": 0.552,
+  "raw": {"original_label": "list"}  // 应该是 text
+}
+
+// 问题3：页眉页脚无法识别
+// DiT 没有 Page-header/Page-footer 类别
+```
+
+#### Docling 检测优势
+```json
+// 优势1：正确识别页眉
+{
+  "category": "header",
+  "bbox": [166, 132, 600, 199],
+  "confidence": 0.85,
+  "raw": {"original_label": "Page-header"}
+}
+
+// 优势2：正确识别页脚
+{
+  "category": "footer",
+  "bbox": [149, 2100, 1450, 2338],
+  "confidence": 0.82,
+  "raw": {"original_label": "Page-footer"}
+}
+
+// 优势3：类别识别准确
+{
+  "category": "text",
+  "bbox": [167, 228, 1462, 322],
+  "confidence": 0.91,
+  "raw": {"original_label": "Text"}
+}
+```
+
+---
+
+## 🎯 为什么"最强组合"不适用？
+
+### "DiT + Detectron2 是最强组合"的前提条件
+
+文档中描述的"最强组合"是**在特定条件下**成立的：
+
+1. **数据集匹配**：在 PubLayNet 或 DocLayNet 等标准数据集上
+2. **任务类型**：学术论文、技术文档等标准布局
+3. **评估指标**：mAP（平均精度均值）等学术指标
+4. **计算资源**：充足的 GPU 资源
+
+### 实际应用中的差异
+
+| 维度 | 学术评估 | 实际应用（财务报表） |
+|------|---------|---------------------|
+| **数据集** | PubLayNet/DocLayNet | 财务报表（未在训练集中） |
+| **布局类型** | 标准学术论文 | 复杂商业文档 |
+| **类别需求** | 5个基础类别 | 17个细粒度类别 |
+| **后处理** | 标准 NMS | 需要复杂规则 |
+| **速度要求** | 不敏感 | 可能需要实时处理 |
+
+**结论**：理论上的"最强组合"不等于实际应用中的"最佳选择"。
+
+---
+
+## 💡 解决方案建议
+
+### 1. **针对财务报表优化 DiT**
+
+```python
+# 方案1：在财务报表数据上微调 DiT
+# 1. 收集财务报表标注数据
+# 2. 在 PubLayNet 预训练模型基础上微调
+# 3. 添加 Page-header/Page-footer 等类别
+
+# 方案2：使用 DocLayNet 微调的 DiT
+# 如果存在 DocLayNet 上微调的 DiT 模型，效果会更好
+```
+
+### 2. **使用 Docling RT-DETR（推荐）**
+
+```yaml
+# universal_doc_parser 配置
+layout:
+  module: docling
+  config:
+    model_dir: ds4sd/docling-layout-heron  # 或 egret-large
+    device: cuda
+    conf: 0.3
+```
+
+**优势**：
+- ✅ 开箱即用，无需微调
+- ✅ 类别体系完善
+- ✅ 后处理简单
+- ✅ 推理速度快
+
+### 3. **混合策略**
+
+```python
+# 方案：根据文档类型选择模型
+def select_layout_model(doc_type):
+    if doc_type == "financial_report":
+        return DoclingLayoutDetector()  # 商业文档
+    elif doc_type == "academic_paper":
+        return DitLayoutDetector()       # 学术论文
+    else:
+        return DoclingLayoutDetector()  # 默认
+```
+
+---
+
+## 📈 模型选择决策树
+
+```mermaid
+flowchart TD
+    Start[需要 Layout Detection] --> Q1{文档类型?}
+    
+    Q1 -->|财务报表/商业文档| DoclingChoice[选择 Docling RT-DETR<br/>✅ 类别完善<br/>✅ 商业文档适配<br/>✅ 后处理简单]
+    
+    Q1 -->|学术论文/技术文档| Q2{需要最高精度?}
+    
+    Q2 -->|是: 有充足资源| DiTChoice[选择 DiT + Detectron2<br/>✅ 最高精度<br/>⚠️ 需要微调<br/>⚠️ 速度较慢]
+    
+    Q2 -->|否: 需要平衡| DoclingChoice2[选择 Docling RT-DETR<br/>✅ 精度与速度平衡<br/>✅ 开箱即用]
+    
+    Q1 -->|通用文档| DoclingChoice3[选择 Docling RT-DETR<br/>✅ 通用性强<br/>✅ 类别丰富]
+    
+    style DoclingChoice fill:#c8e6c9
+    style DoclingChoice2 fill:#c8e6c9
+    style DoclingChoice3 fill:#c8e6c9
+    style DiTChoice fill:#fff3e0
+```
+
+---
+
+## 🔬 技术细节补充
+
+### DiT 在财务报表上的问题
+
+1. **类别映射不匹配**
+   ```python
+   # DiT 输出：PubLayNet 5类
+   # 财务报表需要：Page-header, Page-footer 等
+   # 结果：页眉页脚被错误分类为 Text
+   ```
+
+2. **布局理解偏差**
+   ```python
+   # PubLayNet 训练数据：标准双栏布局
+   # 财务报表：复杂多栏、页眉页脚、签名区域
+   # 结果：整页被识别为单个区域
+   ```
+
+3. **后处理过度**
+   ```python
+   # 重叠框处理 + 误检过滤
+   # 可能误删有效的页眉页脚区域
+   ```
+
+### Docling RT-DETR 的优势
+
+1. **端到端训练**
+   ```python
+   # RT-DETR 在 DocLayNet 上端到端训练
+   # 学习到了商业文档的布局规律
+   # 输出质量高，无需复杂后处理
+   ```
+
+2. **类别体系完善**
+   ```python
+   # 17个类别覆盖商业文档所有元素
+   # Page-header, Page-footer, Key-Value Region
+   # 直接适配财务报表需求
+   ```
+
+3. **推理效率高**
+   ```python
+   # 无需 NMS，端到端推理
+   # 速度快，适合生产环境
+   ```
+
+---
+
+## 📚 总结
+
+### 核心结论
+
+1. **"最强组合"是条件性的**
+   - DiT + Detectron2 在 PubLayNet 上表现最好
+   - 但不等于在所有场景下都是最佳选择
+
+2. **数据适配性 > 模型架构**
+   - 训练数据与任务场景的匹配度更重要
+   - Docling 在商业文档上训练，更适合财务报表
+
+3. **实际应用需要综合考虑**
+   - 精度、速度、类别体系、后处理复杂度
+   - Docling RT-DETR 在财务报表场景下综合表现更好
+
+### 建议
+
+- ✅ **财务报表场景**：使用 **Docling RT-DETR**
+- ✅ **学术论文场景**：可以使用 **DiT + Detectron2**
+- ✅ **通用文档场景**：推荐 **Docling RT-DETR**（类别更丰富）
+
+---
+
+**文档版本**: v1.0  
+**最后更新**: 2024  
+**基于**: 实际测试结果和技术分析
+