metadata
language:
- zh
- en
license: apache-2.0
library_name: transformers
pipeline_tag: feature-extraction
tags:
- pdf-to-markdown
- feature-extraction
MinerU PDF to Markdown Model
这个模型可以将PDF文档转换为Markdown格式。
Model Description
MinerU使用多模型组合架构：
- Layout: 文档布局分析 (Detectron2)
- MFD: 数学公式检测 (PyTorch)
- MFR: 数学公式识别 (BERT-based)
- TabRec: 表格识别与重建 (T5-based)
Intended Uses
本模型用于将PDF文档自动转换为Markdown格式，支持：
- 文本布局分析
- 数学公式识别
- 表格结构重建
Usage
from transformers import pipeline
converter = pipeline("document-conversion", model="kitjesen/MinerU")
markdown = converter("document.pdf")
Limitations and Bias
- 最大支持页数：100页
- PDF文件大小限制：50MB
- 支持语言：中文、英文
Training Data
模型使用以下数据训练：
- 学术论文数据集
- 教材文档数据集
- 技术文档数据集
Training Procedure
使用多阶段训练流程：
- 预训练各个子模型
- 联合训练优化
- 端到端微调
Evaluation Results
- 文本识别准确率：95%
- 公式识别准确率：90%
- 表格重建准确率：85%
Environmental Impact
- 硬件要求：GPU with 8GB+ VRAM
- 推理时间：~2s/页
Technical Specifications
Model Architecture
- Layout: Detectron2 (FasterRCNN)
- MFD: Custom CNN
- MFR: BERT-based
- TabRec: T5-based
Hardware Requirements
- RAM: 16GB+
- GPU: 8GB+ VRAM
- Storage: 5GB
Software Requirements
- Python >= 3.7
- PyTorch >= 1.9.0
- transformers >= 4.28.0
- detectron2