不改模型，只改数据：用合成数据让文档版式分析提升2-4%

文档智能 版式分析 合成数据 YOLO11 MinerU

一篇来自 Applied Sciences 的新论文，展示了如何通过优化合成数据生成策略，零成本提升 YOLO11 在文档版式分析任务上的表现——并已集成到开源文档解析工具 MinerU 中。

---

背景：DLA 的数据困境

文档版式分析（Document Layout Analysis, DLA）是文档智能的基石——把一页 PDF 里的标题、段落、表格、图片等元素识别出来，是后续所有结构化处理的前提。

现在主流方案都是用目标检测模型来做，YOLO 系列、DETR 系列都有人用。模型架构卷得差不多了，大家发现一个尴尬的事实：瓶颈往往不在模型，而在数据。

高质量的文档版式标注数据贵、少、偏。PubLayNet 偏学术论文，DocLayNet 偏商业文档，拿一个场景的数据去训另一个场景，效果就打折。标注一页文档的成本远高于标注一张自然图像——因为文档元素密集、边界模糊、嵌套关系复杂。

那如果标注数据不够，能不能"造"数据？

核心思路：形式化的合成数据生成

这篇论文的思路非常直接：与其苦哈哈地去标注，不如建一个数学模型来自动生成合成文档版式。

他们设计了一套形式化的生成框架，可以精确控制元素密度、尺寸和空间分布：

图1：合成数据生成流程。包括采样策略选择（阈值/打乱）、分割策略（常量/中位数）、碰撞检测和有效版式过滤

生成出来的是带有精确 bounding box 标注的版式数据——直接可以喂给检测模型训练。先看一下数据集中元素的空间分布特征：

图2：文档元素的空间位置分布（左）和尺寸分布（右）热力图——元素在页面中心线附近最为密集

合成数据的样本示例：

图3：合成数据样本。彩色框代表不同类别的版式元素（文本、标题、表格、图片等），灰色区域为文档页面

关键发现：数据策略比数据量更重要

论文用 YOLO11m 作为检测模型，系统对比了多种合成数据策略：

元素分割方式

• 中位数分割：按元素尺寸的中位数来划分大小类别
• 阈值分割：用固定阈值划分

采样方式

• 简单顺序采样
• 随机采样（从大型打乱的合成数据池中）

来看训练过程的对比曲线：

图4：中位数分割策略的 Precision/Recall 训练曲线

图5：不同采样策略的训练曲线对比——优化后的策略收敛更稳定

已集成到 MinerU

最值得关注的是，这个方法已经集成到了 MinerU 中。

图6：MinerU 的文档解析效果——左侧为原始 PDF，右侧为结构化解析结果

MinerU 是 OpenDataLab（上海人工智能实验室）开源的文档解析工具，在国内文档智能圈子里用的人不少。核心流程：版式检测 → OCR → 结构化输出。这篇论文的合成数据方法被用在了版式检测这一步。

启示

1. 数据工程 > 模型工程

在 DLA 这个相对成熟的任务上，换模型架构的边际收益越来越小。但数据侧的优化空间还很大——合成数据、数据增强、数据清洗，每一步都能带来实打实的提升。

2. 合成数据的"配方"很重要

不是随便生成一堆假数据就能提升效果。元素分割方式、采样策略这些看似细节的选择，决定了合成数据能不能真正帮助模型学到有用的东西。这篇论文用形式化方法来控制生成过程，比随手写个脚本靠谱得多。

3. 低成本、可复制的改进路径

如果你在做 DLA 相关的工作，这个方法几乎是"免费"的——不需要更大的模型、更多的 GPU，只需要在数据准备阶段多花点心思。

---