中文文档分析实战：CDLA数据集+Labelme合成数据避坑指南

中文文档版面分析实战：从数据集选择到高质量数据合成

处理中文文档，无论是合同、报表还是学术论文，总会遇到一些独特的挑战。英文世界有PubLayNet这样的大规模数据集，但直接拿来处理中文版面，效果往往不尽如人意。中文的排版习惯、标点符号的占位、表格的样式，甚至是标题的层级结构，都和英文文档有着微妙的差异。更不用说那些混合了中英文的复杂文档了，模型稍不注意就会把英文单词误判为独立区域，或者把中文段落切得支离破碎。

过去几年，我参与过不少中文文档数字化项目，从金融合同到医疗报告，踩过的坑不计其数。最让人头疼的，往往不是模型本身，而是训练数据的质量。市面上开源的中文版面分析数据集不算少，但真正能覆盖实际业务场景的却不多。要么类别定义太粗，把“正文”和“标题”混为一谈；要么标注质量参差不齐，边界框对不齐实际内容。这时候，自己动手合成数据就成了不得不走的路。

但合成数据也不是随便做做就行的。用Labelme这样的工具标注几百张图，听起来简单，实际操作中会遇到各种意想不到的问题：中英文混合标注时标签该怎么写？段落中的换行符要不要保留？表格的单元格该不该单独标注？这些问题如果没有提前想清楚，等到模型训练出来效果不佳，再回头修改标注，那工作量可就大了。

这篇文章，我想结合自己处理中文文档的实际经验，聊聊怎么选择合适的数据集，以及如何用Labelme合成高质量的训练数据。我会重点分享那些容易踩坑的地方，特别是针对中文场景的特殊处理。无论你是刚开始接触文档分析的新手，还是已经在这个领域摸索了一段时间的开发者，希望这些经验能帮你少走些弯路。

1. 中文版面分析数据集全景与核心选择策略

面对琳琅满目的版面分析数据集，很多人的第一反应是“哪个最好用？”但说实话，这个问题没有标准答案。数据集的选择，完全取决于你的具体任务。是做通用的文档理解，还是专门处理某类文档（比如学术论文或财务报表）？是需要精细的段落划分，还是只要检测出大致的区域就行？

先来看看几个主流的中文数据集。CDLA（Chinese Document Layout Analysis）算是国内较早开源的中文文档数据集，包含了5000张训练图像和1000张验证图像。它的类别定义比较细致，有10个类别：

• Text（正文）
• Title（标题）
• Figure（图片）
• Figure caption（图片标题）
• Table（表格）
• Table caption（表格标题）
• Header（页眉）
• Footer（页脚）
• Reference（参考文献）
• Equation（公式）

这个类别体系基本覆盖了学术论文的常见元素，但用在商业合同上就有些不足了——合同里常见的“签署方”、“日期”、“印章”等元素并没有包含在内。而且CDLA的数据量相对较小，对于复杂的深度学习模型来说，5000张图像可能不够“喂饱”。

另一个值得关注的是360LayoutAnalysis项目开源的几个垂直场景模型。他们针对中文论文、研报、教材等不同场景，分别训练了专门的模型。比如中文论文场景的模型，就在CDLA的基础上增加了“段落”信息的标注，这对于需要提取语义连贯文本的任务来说非常有用。

注意：使用任何开源数据集前，务必仔细阅读其许可证协议。CDLA基于CDLA-Permissive协议，而TableBank使用Apache-2.0协议。商业用途时，这些细节绝对不能忽略。

如果你处理的是表格密集型的文档，TableBank可能更合适。这个数据集专注于表格检测，包含了从Latex和Word文档中提取的大量表格图像。但要注意，它只标注了表格区域，不区分表格内的结构。

那么，在实际项目中该怎么选呢？我通常遵循这样一个决策流程：

1. 明确需求优先级：先想清楚你的核心任务是什么。是检测所有版面元素，还是专门提取表格？需要多细的粒度？
2. 评估数据匹配度：对比数据集的类别定义和你的实际文档类型。如果差异太大，要么换数据集，要么准备自己标注。
3. 考虑数据量需求：简单的模型可能几千张图就够了，但像RT-DETR这样的检测器，数据量越大效果通常越好。
4. 检查标注质量：下载少量样本数据，用可视化工具看看标注框是否精确，有没有漏标、错标的情况。

下面这个表格对比了几个主流数据集的关键特性，你可以快速参考：

在实际项目中，我很少只用一个数据集。更多时候是“组合拳”：用CDLA作为基础，再补充一些自己标注的业务特定数据。特别是当你的文档中有特殊元素（如印章、手写签名、二维码）时，开源数据集几乎不可能覆盖到。

2. Labelme标注实战：中文场景下的精细化操作指南

当你决定自己标注数据时，Labelme是个不错的选择。它界面友好，支持多边形标注，导出的JSON格式也容易处理。但用Labelme标注中文文档，有些细节需要特别注意。

首先，标签命名规范要统一。中英文混合的场景下，我建议全部使用英文标签，但可以在注释中说明中文含义。比如：

{
  "version": "5.3.0",
  "flags": {},
  "shapes": [
    {
      "label": "text",
      "points": [[100, 150], [500, 150], [500, 200], [100, 200]],
      "group_id": null,
      "description": "正文段落，包含中英文混合内容",
      "shape_type": "polygon",
      "flags": {}
    },
    {
      "label": "title_chinese",
      "points": [[50, 50], [600, 50], [600, 100], [50, 100]],
      "group_id": null,
      "description": "中文主标题",
      "shape_type": "polygon",
      "flags": {}
    }
  ],
  "imagePath": "document_001.jpg",
  "imageData": null,
  "imageHeight": 2480,
  "imageWidth": 1754
}

注意我用了title_chinese而不是中文标题。这是因为很多训练框架对中文标签名的支持不够好，容易出编码问题。description字段可以用来记录更详细的信息，比如这个区域的具体内容或特殊属性。

标注时的边界处理也很关键。中文文档中，文字和标点符号的边界不像英文那么清晰。特别是中文引号（“”）、书名号（《》）等，它们往往紧贴文字。我的经验是，标注框要稍微宽松一点，把整个文字块包住，而不是紧贴每个字符。否则模型在推理时很容易把连续的文本误切成多段。

对于表格的标注，有两种策略：

1. 只标注整个表格区域：简单快速，适合只需要检测表格位置的任务。
2. 标注每个单元格：工作量大，但能支持表格结构识别。