layoutparser调用Detectron2LayoutModel报无对应属性AttributeError

问题背景 #

正在开发PDF格式简历的信息提取项目，此前使用pdfminer等库提取文本时，常出现不同文本块的行内容重叠问题，文本提取结果准确性较差。因此计划先通过layoutparser完成文档版面检测，再基于识别到的独立文本块提取对应内容，使用的实现代码如下：

import layoutparser as lp
import pytesseract

pytesseract.pytesseract.tesseract_cmd ="C/Users/faty/Downloads/tesseract-ocr-w64-setup-v5.1.0.20220510.exe"
poppler_path="C:/Users/faty/Downloads/Release-22.04.0-0/poppler-22.04.0/Library/bin"

model = lp.Detectron2LayoutModel('lp://PubLayNet/mask_rcnn_X_101_32x8d_FPN_3x/config',
                                 extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.5],
                                 label_map={0: "Text", 1: "Title", 2: "List", 
                                 3:"Table",4:"Figure"})

layout_result = model.detect(img)

lp.draw_box(img, layout_result,  box_width=5, box_alpha=0.2, show_element_type=True)

运行上述代码时触发如下报错：

AttributeError: module layoutparser has no attribute Detectron2LayoutModel

报错产生原因 #

• 核心原因：Detectron2LayoutModel是layoutparser基于detectron2框架实现的可选模型组件，不属于layoutparser主库的内置内容。仅安装layoutparser主包时不会自动安装detectron2相关依赖，也不会注册对应模型类，直接调用就会触发属性不存在的报错。
• 潜在配置问题：代码中tesseract的路径配置存在两处错误，即使修复模型调用问题，后续OCR环节也会报错：
  • 盘符C后缺少冒号，路径格式不符合Windows系统规范
  • 配置的路径是tesseract的安装包文件，不是安装完成后目录下的tesseract.exe可执行程序路径

修复方案 #

按以下步骤操作即可解决问题：

1. 安装layoutparser的detectron2可选依赖，执行命令：

   pip install "layoutparser[detectron2]"
   

   如果安装过程中出现detectron2编译失败的情况，需要先安装和本地PyTorch、CUDA版本匹配的预编译detectron2包，再执行上述命令
2. 修正tesseract路径配置：先运行已下载的tesseract安装包完成程序安装，再将tesseract_cmd的值修改为安装目录下的tesseract.exe完整路径，注意补全盘符后的冒号，示例正确路径格式：

   pytesseract.pytesseract.tesseract_cmd = "C:/Program Files/Tesseract-OCR/tesseract.exe"
   

3. 完成上述修改后重新运行代码，即可正常加载版面检测模型完成推理。

内容的提问来源于stack exchange，提问作者Fatima Zahra