bytedance /Dolphin
The official repo for “Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting”, ACL, 2025.
★ 9,068⑂ 771👁 70⑃ 32● 142▤ 0
+1
日增长
9,068
stars
771
forks
70
watchers
32
prs
142
issues
0
releases
README
Dolphin: 基于异构锚点提示的文档图像解析
Dolphin(Document Image Parsing via Heterogeneous Anchor Prompting)是一个创新的多模态文档图像解析模型(0.3B),采用"分析-解析"的两阶段范式。本仓库包含Dolphin的演示代码和预训练模型。
📑 概述
由于文档图像中文本段落、图表、公式和表格等元素的复杂交织,文档图像解析具有挑战性。Dolphin通过两阶段方法解决这些挑战:
1. 🔍 第一阶段:通过按自然阅读顺序生成元素序列进行全面的页面级布局分析
2. 🧩 第二阶段:使用异构锚点和任务特定提示高效并行解析文档元素
Dolphin在多样化的页面级和元素级解析任务中取得了优异的性能,同时通过其轻量级架构和并行解析机制确保了卓越的效率。
📅 更新日志
- 🔥 2025.12.12 Dolphin-v2 开源!支持 21 类元素检测、属性字段提取、代码专用解析,以及拍照文档解析。(原1.5版本已迁移至v1.5分支)
- 🔥 2025.10.16 Dolphin-1.5 开源!在保持轻量级0.3B架构的同时,该版本实现了显著的解析性能提升。(原1.0版本已迁移至v1.0分支)
- 🔥 2025.07.10 Fox-Page 基准测试开源。这是原始 Fox 数据集 人工矫正标注后的版本。下载地址:百度网盘 | Google Drive。
- 🔥 2025.06.30 新增TensorRT-LLM支持,提升推理速度!
- 🔥 2025.06.27 新增vLLM支持,提升推理速度!
- 🔥 2025.06.13 新增多页PDF文档解析功能。
- 🔥 2025.05.21 我们的演示已在 链接 发布。快来体验吧!
- 🔥 2025.05.20 Dolphin的预训练模型和推理代码已发布。
- 🔥 2025.05.16 我们的论文已被ACL 2025接收。论文链接:arXiv。
📈 性能表现
OmniDocBench (v1.5) 测试基准上评估结果
模型
参数
总体&x2191;
文本Edit&x2193;
公式CDM&x2191;
表格TEDS&x2191;
表格TEDS-S&x2191;
阅读顺序Edit&x2193;
Dolphin
0.3B
74.67
0.125
67.85
68.70
77.77
0.124
Dolphin-1.5
0.3B
85.06
0.085
79.44
84.25
88.06
0.071
Dolphin-v2
0.3B
89.78
0.054
87.63
87.02
90.48
0.054
🛠️ 安装
1. 克隆仓库:
bash
git clone https://github.com/ByteDance/Dolphin.git
cd Dolphin
2. 安装依赖:
bash
pip install -r requirements.txt
3. 使用以下选项之一下载 Dolphin-v2 的预训练模型:
访问我们的Huggingface 模型卡片,或通过以下方式下载模型:
bash
从Hugging Face Hub下载模型
git lfs install
git clone https://huggingface.co/ByteDance/Dolphin-v2 ./hf_model
或使用Hugging Face CLI
pip install huggingface_hub
huggingface-cli download ByteDance/Dolphin-v2 --local-dir ./hf_model
⚡ 推理
Dolphin提供两个推理框架,支持两种解析粒度:
- 页面级解析:将整个文档页面解析为结构化的JSON和Markdown格式
- 元素级解析:解析单个文档元素(文本、表格、公式)
📄 页面级解析
bash
处理单个文档图像
python demo_page.py --model_path ./hf_model --save_dir ./results \
--input_path ./demo/page_imgs/page_1.png
处理单个文档PDF
python demo_page.py --model_path ./hf_model --save_dir ./results \
--input_path ./demo/page_imgs/page_6.pdf
处理目录中的所有文档
python demo_page.py --model_path ./hf_model --save_dir ./results \
--input_path ./demo/page_imgs
使用自定义批次大小进行并行元素解码
python demo_page.py --model_path ./hf_model --save_dir ./results \
--input_path ./demo/page_imgs \
--max_batch_size 8
🧩 元素级解析
bash
解析块图像 (支持块图像类型: table, formula, text, or code)
python demo_element.py --model_path ./hf_model --save_dir ./results \
--input_path \
--element_type [table|formula|text|code]
🎨 元素定位及阅读顺序解析
bash
处理单个文档图像
python demo_layout.py --model_path ./hf_model --save_dir Top issues
#93Failed to inference by vllm server: TypeError: Unknown image model type: vision-encoder-decoder10 comments · 2025-07-01#84Can't reproduce Fox-Page-En Results10 comments · 2025-06-23#22How to use this with vLLM?10 comments · 2025-05-23#39图片文字识别的效果太离谱9 comments · 2025-05-27#62Can you please share a finetuning script8 comments · 2025-06-13#103json输出里面所有label以及命名形式能够提供一下吗6 comments · 2025-07-09#64install on python 3.13.35 comments · 2025-06-15#8demo代码无法在mac电脑上运行5 comments · 2025-05-23