レイアウト解析

はじめに

ある業務でファイルのレイアウト解析を行うことになった。その際に検証したPythonライブラリ「Layout-Parser」の使い方を説明する。

インストール

今回の動作検証は、Windows11のWSL（Ubuntu-22.04）上で行った。また、Pythonの仮想環境はpyenv+poetryを用いて構築した。インストール時の一連のコマンドは以下の通りである。

$ sudo apt install liblzma-dev
$ pyenv install 3.10.6
$ pyenv local 3.10.6
$ python -m venv .venv
$ poetry init
$ poetry add torchvision
$ python -m pip install 'git+https://github.com/facebookresearch/detectron2.git'

$ sudo apt install liblzma-dev

$ pyenv install 3.10.6

$ pyenv local 3.10.6

$ python -m venv .venv

$ poetry init

$ poetry add torchvision

$ python -m pip install 'git+https://github.com/facebookresearch/detectron2.git'

一番最後にインストールしているdetectron2については、poetryを用いたインストール方法が分からなかったのでpipで行った。Layout-Parserの詳細は、こちらを見てほしい。

コード

さて、サンプルコードにある以下のコードを実行してみる。

import layoutparser as lp

model = lp.Detectron2LayoutModel('lp://PubLayNet/faster_rcnn_R_50_FPN_3x/config', 
                                 extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.8],
                                 label_map={0: "Text", 1: "Title", 2: "List", 3:"Table", 4:"Figure"})

import layoutparser as lp

model = lp.Detectron2LayoutModel('lp://PubLayNet/faster_rcnn_R_50_FPN_3x/config',

extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.8],

label_map={0: "Text", 1: "Title", 2: "List", 3:"Table", 4:"Figure"})

すると以下のエラーが出る。

AssertionError: Checkpoint /home/kumada/.torch/iopath_cache/s/dgy9c10wykk4lq4/'model_final.pth not found!

1	AssertionError: Checkpoint /home/kumada/.torch/iopath_cache/s/dgy9c10wykk4lq4/'model_final.pth not found!

このエラーについてググるといくつかヒットするページがある。今回は以下のように解決した。どのサイトを参考にしたのかはうかつにも記録に残していなかったので不明である。

~/.torch/iopath_cache/s/dgy9c10wykk4lq4の下にある訓練済みモデル（ダウンロードされたもの）「’model_final.pth?dl=1’」をコピーして「model_final.pth」を同じフォルダ内に作る。
ここにアクセスし、上のモデルに対応するyamlファイルをダウンロードする。

以下のコードに置き換える。

YAML_PATH = "/home/kumada/data/layout_parser/config.yml"
MODEL_PATH = "/home/kumada/.torch/iopath_cache/s/dgy9c10wykk4lq4/model_final.pth"
model = lp.Detectron2LayoutModel(
        YAML_PATH , 
        MODEL_PATH ,
        extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.8],
        label_map={0: "Text", 1: "Title", 2: "List", 3: "Table", 4: "Figure"},
    )

YAML_PATH = "/home/kumada/data/layout_parser/config.yml"

MODEL_PATH = "/home/kumada/.torch/iopath_cache/s/dgy9c10wykk4lq4/model_final.pth"

model = lp.Detectron2LayoutModel(

YAML_PATH ,

MODEL_PATH ,

extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.8],

label_map={0: "Text", 1: "Title", 2: "List", 3: "Table", 4: "Figure"},

)

これで動くようになる。検証に使ったコードは以下の通り。

import glob
import os
from typing import Any

import cv2
import layoutparser as lp  # type: ignore
import numpy as np

# 画像のあるフォルダへのパス
INPUT_DIR_PATH = "/home/kumada/data/layout_parser/2402.17764/"

# 各領域の表す枠に色を付ける。
COLORS = {
    0: (255, 0, 0),
    1: (0, 255, 0),
    2: (0, 0, 255),
    3: (255, 255, 0),
    4: (255, 0, 255),
    5: (0, 255, 255),
    6: (127, 0, 0),
}

# 訓練済みモデルへのパス
# _/_/_/ lp://PrimaLayout/mask_rcnn_R_50_FPN_3x/config
YAML_PATH = "/home/kumada/data/layout_parser/config_1.yaml"
MODEL_PATH = "/home/kumada/.torch/iopath_cache/s/h7th27jfv19rxiy/model_final.pth"
LABEL_MAP = {
    1: "TextRegion",
    2: "ImageRegion",
    3: "TableRegion",
    4: "MathsRegion",
    5: "SeparatorRegion",
    6: "OtherRegion",
}

# レイアウト分析後の画像を保存するフォルダへのパス
OUTPUT_DIR_PATH = "/home/kumada/data/layout_parser/layouted_images_2402.17764/"


def recognition_each_regions(image_: np.ndarray, model_: Any) -> np.ndarray:
    layout = model_.detect(image_)
    types = set()
    for block in layout:
        types.add(block.type)

    blocks = {}
    for value in LABEL_MAP.values():
        print(value)
        blocks[value] = lp.Layout([b for b in layout if b.type == value])  # type: ignore

    for key, value in blocks.items():
        print(f"the number of {key} blocks: {len(value)}")

    for i, (key, value) in enumerate(blocks.items()):
        print(i, key)
        color = COLORS[i]
        for block in value:
            x1, y1, x2, y2 = block.coordinates

            cv2.rectangle(
                image_,
                (int(x1), int(y1)),
                (int(x2), int(y2)),
                color,
                2,
            )
            text_position = (int(x1), int(y2) + 20)
            cv2.putText(
                image_,
                f"{key}: {block.score:.2f}",
                text_position,
                cv2.FONT_HERSHEY_SIMPLEX,
                1.0,
                color,
                2,
            )
    image_ = cv2.cvtColor(image_, cv2.COLOR_RGB2BGR)
    return image_


if __name__ == "__main__":
    # 訓練済みモデルを読み込む
    model = lp.Detectron2LayoutModel(  # type: ignore
        YAML_PATH,
        MODEL_PATH,
        extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.9],
        label_map=LABEL_MAP,
    )
    print(type(model))

    # フォルダ内の画像を拾う。
    input_paths = glob.glob(os.path.join(INPUT_DIR_PATH, "*.jpg"))
    input_paths = sorted(input_paths)
    print(f"the number of inputs: {len(input_paths)}")
    for path in input_paths:
        print(path)
        image = cv2.imread(path)
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

        # レイアウト分析を行う。
        image = recognition_each_regions(image, model)

        # 結果を保存する。
        file_name = os.path.basename(path)
        output_path = os.path.join(OUTPUT_DIR_PATH, file_name)
        print(output_path)
        cv2.imwrite(
            output_path,
            image,
        )

100

101

102

103

104

105

106

107

108

109

110

import glob

import os

from typing import Any

import cv2

import layoutparser as lp # type: ignore

import numpy as np

# 画像のあるフォルダへのパス

INPUT_DIR_PATH = "/home/kumada/data/layout_parser/2402.17764/"

# 各領域の表す枠に色を付ける。

COLORS = {

0: (255, 0, 0),

1: (0, 255, 0),

2: (0, 0, 255),

3: (255, 255, 0),

4: (255, 0, 255),

5: (0, 255, 255),

6: (127, 0, 0),

}

# 訓練済みモデルへのパス

# _/_/_/ lp://PrimaLayout/mask_rcnn_R_50_FPN_3x/config

YAML_PATH = "/home/kumada/data/layout_parser/config_1.yaml"

MODEL_PATH = "/home/kumada/.torch/iopath_cache/s/h7th27jfv19rxiy/model_final.pth"

LABEL_MAP = {

1: "TextRegion",

2: "ImageRegion",

3: "TableRegion",

4: "MathsRegion",

5: "SeparatorRegion",

6: "OtherRegion",

}

# レイアウト分析後の画像を保存するフォルダへのパス

OUTPUT_DIR_PATH = "/home/kumada/data/layout_parser/layouted_images_2402.17764/"

def recognition_each_regions(image_: np.ndarray, model_: Any) -> np.ndarray:

layout = model_.detect(image_)

types = set()

for block in layout:

types.add(block.type)

blocks = {}

for value in LABEL_MAP.values():

print(value)

blocks[value] = lp.Layout([b for b in layout if b.type == value]) # type: ignore

for key, value in blocks.items():

print(f"the number of {key} blocks: {len(value)}")

for i, (key, value) in enumerate(blocks.items()):

print(i, key)

color = COLORS[i]

for block in value:

x1, y1, x2, y2 = block.coordinates

cv2.rectangle(

image_,

(int(x1), int(y1)),

(int(x2), int(y2)),

color,

)

text_position = (int(x1), int(y2) + 20)

cv2.putText(

image_,

f"{key}: {block.score:.2f}",

text_position,

cv2.FONT_HERSHEY_SIMPLEX,

1.0,

color,

)

image_ = cv2.cvtColor(image_, cv2.COLOR_RGB2BGR)

return image_

if __name__ == "__main__":

# 訓練済みモデルを読み込む

model = lp.Detectron2LayoutModel( # type: ignore

YAML_PATH,

MODEL_PATH,

extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.9],

label_map=LABEL_MAP,

)

print(type(model))

# フォルダ内の画像を拾う。

input_paths = glob.glob(os.path.join(INPUT_DIR_PATH, "*.jpg"))

input_paths = sorted(input_paths)

print(f"the number of inputs: {len(input_paths)}")

for path in input_paths:

print(path)

image = cv2.imread(path)

image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# レイアウト分析を行う。

image = recognition_each_regions(image, model)

# 結果を保存する。

file_name = os.path.basename(path)

output_path = os.path.join(OUTPUT_DIR_PATH, file_name)

print(output_path)

cv2.imwrite(

output_path,

image,

)

結果

今回使用した訓練済みモデルは、ファイル内から以下の領域を検出する。

TextRegion（赤）
ImageRegion（緑）
TableRegion（青）
MathsRegion（黄）
SeparatorRegion（マジェンタ）
OtherRegion（シアン）

最近話題になった論文「BitNet b1.58」の数ページをレイアウト分析した結果を示す。

結果を見渡すと

テキスト領域（赤色）は概ね取れている。
上段右図では数式（黄色）が取れている。
下段左図からはグラフがOtherRegion（シアン）として取れている。
下段右図からは表（青色）が取れている
上段左図と下段右図にある太い横棒がセパレータ（マジェンタ）として取れている。

かなり精度良く各領域が取れていると思う。

まとめ

今回は、業務関係で検証したPythonライブラリ「Layout-Parser」を紹介した。ライセンスがApache License 2.0なので商用利用は可能である。

参照サイト

Kumada Seiya

仕事であろうとなかろうと勉強し続ける、その結果”中身”を知ったエンジニアになれる

ChatGPTを用いた画像異常検知

DBSCANを用いたクラスタリング

レイアウト解析

はじめに

インストール

コード

結果

まとめ

参照サイト

Kumada Seiya

最近の記事

顔認証（DeepFace vs GPT4o）

時系列解析再訪

πの新しい公式

中心極限定理

DBSCANを用いたクラスタリング

レイアウト解析

OpenCVで深層学習

Variational Autoencoderのグレイ画像への適用

Adding Problem

Conditional Variational Autoencoder

GANのminmax戦略

PyTorch C++の導入〜その3〜

Google Vision APIでOCR

アーカイブ

カテゴリー