YOLOv8X 在完整 DocLayNet 数据集上训练，图像尺寸为 1024x1024，批次大小为 42

本仓库包含在完整 DocLayNet 数据集上训练的 YOLOv8X 模型，该数据集包含约 41GB 的带标注文档版面图像。训练使用单张具有 80GB 显存的 A100 GPU 进行。批次大小设置为 42，图像调整为 1024x1024 像素，同时保留默认的图像增强超参数。

数据集类别

该模型在 DocLayNet 数据集中所有可用的类别标签上进行训练，包括以下类别：

• Caption（说明文字）
• Footnote（脚注）
• Formula（公式）
• List-item（列表项）
• Page-footer（页脚）
• Page-header（页眉）
• Picture（图片）
• Section-header（章节标题）
• Table（表格）
• Text（文本）
• Title（标题）

基准测试结果

训练后的模型在验证集上进行了性能评估，得出以下指标：

这些结果展示了该模型在检测文档版面各种元素方面具有高精度和召回率的能力。

推理快速指南

from ultralytics import YOLO
from PIL import Image

onnx_model = YOLO("best.onnx")

results = onnx_model("<path_to_image>", imgsz=1024)

for i, r in enumerate(results):
    im_bgr = r.plot()  
    im_rgb = Image.fromarray(im_bgr[..., ::-1]) 

    r.show()

    r.save(filename=f'results{i}.jpg')