Transformers documentation
SLANet
该模型于 2026-04-22 贡献至 Hugging Face Transformers。
SLANet
概述
SLANet 和 SLANet_plus 是一系列专为表格结构识别设计的轻量级模型，专注于准确识别文档和自然场景中的表格结构。有关 SLANet 系列模型的更多详细信息，请参阅官方文档。
模型架构
SLANet 是由百度 PaddlePaddle 视觉团队开发的表格结构识别模型。该模型采用了适用于 CPU 的轻量级骨干网络 PP-LCNet、高低层特征融合模块 CSP-PAN 以及对齐结构与位置信息的特征解码模块 SLA Head，从而显著提升了表格结构识别的准确率和推理速度。
用法
单输入推理
下面的示例演示了如何使用 AutoModel 通过 SLANet 检测文本。
from io import BytesIO
from huggingface_hub.utils import httpx
from PIL import Image
from transformers import AutoImageProcessor, AutoModelForTableRecognition
model_path="PaddlePaddle/SLANet_plus_safetensors"
model = AutoModelForTableRecognition.from_pretrained(model_path, device_map="auto")
image_processor = AutoImageProcessor.from_pretrained(model_path)
image = Image.open(BytesIO(httpx.get(image_url).content))
inputs = image_processor(images=image, return_tensors="pt").to(model.device)
outputs = model(**inputs)
results = image_processor.post_process_table_recognition(outputs)
print(result['structure'])
print(result['structure_score'])SLANetConfig
class transformers.SLANetConfig
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonepost_conv_out_channels: int = 96out_channels: int = 50hidden_size: int = 256max_text_length: int = 500backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonehidden_act: str = 'hardswish'csp_kernel_size: int = 5csp_num_blocks: int = 1 )
参数
- post_conv_out_channels (
int，可选，默认为 96) — 编码器后卷积层的输出通道数。 - out_channels (
int，可选，默认为 50) — 表格结构 token 预测头的词表大小，即模型可预测的不同结构 token 的数量。 - hidden_size (
int，可选，默认为 256) — 注意力 GRU 单元以及结构/位置预测头中隐藏状态的维度。 - max_text_length (
int，可选，默认值为 500) — 结构和位置解码器自回归解码步骤（token）的最大数量。 - backbone_config (
Union[dict, ~configuration_utils.PreTrainedConfig]，可选) — 主干模型的配置。 - hidden_act (
str，可选，默认为hardswish) — 解码器中的非线性激活函数（函数或字符串）。例如，"gelu"、"relu"、"silu"等。 - csp_kernel_size (
int, 可选，默认为 5) — Cross Stage Partial (CSP) 层的卷积核大小。 - csp_num_blocks (
int，可选，默认为 1) — Cross Stage Partial (CSP) 层内的块数。
这是用于存储 SlanetModel 配置的类。它根据指定的参数实例化 Slanet 模型，并定义模型架构。使用默认值实例化配置将得到与 PaddlePaddle/SLANet_plus_safetensors 类似的配置。
配置对象继承自 PreTrainedConfig，可用于控制模型输出。有关更多信息，请参阅 PreTrainedConfig 的文档。
SLANetForTableRecognition
class transformers.SLANetForTableRecognition
< source >( config: SLANetConfig )
参数
- config (SLANetConfig) — 模型配置类，包含模型的所有参数。使用配置文件进行初始化不会加载与模型关联的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
用于表格识别任务的 SLANet Table Recognition 模型。封装了核心的 SLANetPreTrainedModel，并返回与 Transformers 表格识别 API 兼容的输出。
该模型继承自 PreTrainedModel。请查阅父类文档，了解该库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头等）。
该模型也是 PyTorch torch.nn.Module 的子类。 请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。
forward
< source >( pixel_values: Tensor**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → SLANetForTableRecognitionOutput or tuple(torch.Tensor)
参数
- pixel_values (
torch.Tensor，形状为(batch_size, num_channels, image_size, image_size)) — 与输入图像对应的张量。可以使用 SLANeXtImageProcessor 获取像素值。有关详细信息，请参阅 SLANeXtImageProcessor.call()（processor_class使用 SLANeXtImageProcessor 处理图像）。
返回值
SLANetForTableRecognitionOutput 或 tuple(torch.Tensor)
SLANetForTableRecognitionOutput 或 torch.Tensor 元组（如果传入 return_dict=False 或 config.return_dict=False），其包含的元素取决于配置（SLANetConfig）和输入。
SLANetForTableRecognition 的 forward 方法重写了 __call__ 特殊方法。
尽管前向传播的实现需要在此函数中定义，但之后应调用
Module实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者则会静默地忽略这些步骤。
last_hidden_state（形状为
(batch_size, num_channels, height, width)的torch.Tensor）— 模型最后一层输出的隐藏状态序列。hidden_states (
tuple(torch.Tensor)，可选，当传入output_hidden_states=True或config.output_hidden_states=True时返回) — 一个torch.Tensor元组（如果模型具有嵌入层，则包含嵌入层输出的一个张量，以及每个层输出的一个张量），形状为(batch_size, num_channels, height, width)。模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
head_hidden_states (
tuple(torch.Tensor)，可选，在传入output_hidden_states=True或config.output_hidden_states=True时返回) — SLANetSLAHead 在每个预测步骤的隐藏状态，最多可包含self.config.max_text_length个状态（取决于提前退出）。head_attentions (
tuple(torch.Tensor)，可选，在传入output_attentions=True或config.output_attentions=True时返回) — SLANetSLAHead 在每个预测步骤的注意力，最多可包含self.config.max_text_length个注意力（取决于提前退出）。
SLANetBackbone
forward
< source >( hidden_states: Tensor**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → BaseModelOutputWithNoAttention or tuple(torch.Tensor)
参数
- hidden_states (
torch.Tensor) — 该层的输入，形状为 `(batch, seq_len, embed_dim)`
返回值
BaseModelOutputWithNoAttention 或 tuple(torch.Tensor)
BaseModelOutputWithNoAttention 或 torch.Tensor 元组（如果传入 return_dict=False 或 config.return_dict=False），包含根据配置（SLANetConfig）和输入而定的各种元素。
SLANetBackbone 的 forward 方法重写了 __call__ 特殊方法。
尽管前向传播的实现需要在此函数中定义，但之后应调用
Module实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者则会静默地忽略这些步骤。
last_hidden_state（形状为
(batch_size, num_channels, height, width)的torch.Tensor）— 模型最后一层输出的隐藏状态序列。hidden_states (
tuple(torch.Tensor)，可选，当传入output_hidden_states=True或config.output_hidden_states=True时返回) — 一个torch.Tensor元组（如果模型具有嵌入层，则包含嵌入层输出的一个张量，以及每个层输出的一个张量），形状为(batch_size, num_channels, height, width)。模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。