conda install -c conda-forge poppler

git clone https://github.com/facebookresearch/detectron2.git
pip install -e detectron2

nvidia-smi

CUDA Version: 12.9

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu129

pip install layoutparser pymupdf pdf2image

import numpy as np
import pdf2image as p2i
import cv2, pymupdf

from layoutparser.models import Detectron2LayoutModel
from layoutparser.visualization import draw_box
from layoutparser.elements import TextBlock

def detect_layouts(file_path: str):
    pdf = pymupdf.open(file_path) # 원본  PDF 열기
    page = pdf[0] # 첫 번째 페이지
    
    # PDF를 이미지로 변환(레이아웃 분석 용)
    converted_images = p2i.convert_from_path(file_path, dpi=72)
    # Detectron2가 이미지를 읽으려면 nparray로 변환해야 함
    first_image = np.array(converted_images[0])

    # 모델 객체 생성
    model = Detectron2LayoutModel(
        config_path=r'detectron2\configs\PubLayNet-faster_rcnn_R_50_FPN_3x\config.yml',
        model_path=r'detectron2\configs\PubLayNet-faster_rcnn_R_50_FPN_3x\model_final.pth',
        label_map={0: "Text", 1: "Title", 2: "List", 3:"Table", 4:"Figure"},
        extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.7]
        )

    # 추론
    layout = model.detect(first_image)
    
    # 레이아웃이 잘 분석되었는지 확인하기 위해 텍스트 상자를 그린 이미지 출력
    draw_box(converted_images[0], layout, box_width=3).show()

    for block in layout._blocks:
        rect = pymupdf.Rect(block.coordinates)
        text = page.get_textbox(rect)
        print('\n\n', text)

from pathlib import Path
from huggingface_hub import hf_hub_download

# YOLO
from ultralytics import YOLO
from ultralytics.engine.results import Results
from ultralytics.engine.results import Boxes

class YoloLayoutDetector:
	# 모델 초기화
	# 사전 훈련 모델이 없으면 huggingface hub에서 자동으로 다운로드함.
    def __init__(self, model_name: str):
        model_path = hf_hub_download(
            repo_id="hantian/yolo-doclaynet",
            filename=f"{model_name}-doclaynet.pt",
            repo_type="model",
            local_dir="./models",
        )
        self.model = YOLO(model_path)

    # 레이아웃 분석
    def detect(self, image, conf_threshold=0.25):
        # 추론 수행
        results: list[Results] = self.model(image, conf=conf_threshold)
        # 레이아웃 분석한 결과 표시
        results[0].show()
        # 반환할 데이터 구성
        blocks = []
        for result in results:
            if result.boxes:
                for box in result.boxes:
                    x1, y1, x2, y2 = box.xyxy[0].cpu().numpy()
                    cls_id = int(box.cls[0].cpu().numpy())
                    conf = float(box.conf[0].cpu().numpy())
                    blocks.append({
                        "box": [x1, y1, x2, y2],           # 텍스트 상자의 좌표
                        "type": self.model.names[cls_id],  # 레이아웃 종류
                        "conf": conf                       # 신뢰도 점수
                    })

        return blocks

# 라이브러리 import
import pymupdf, pdf2image
from pymupdf import Rect, Page
from pymupdf.table import Table
from PIL.Image import Image
import re, pandas as pd

# PDF를 로드합. Page 객체 배열과 PIL.Image 이미지 배열을 반환.
def load_pdf(file_path: str, dpi=72) -> tuple[list[Page], list[Image]] | None:
    try:
        pdf = pymupdf.open(file_path)
    except Exception as e:
        raise e

    images = pdf2image.convert_from_path(file_path, dpi=dpi)
    return ([p for p in pdf], images)

# 사각형 좌표로 해당 구역내의 텍스트를 추출.
def extract_text_from_block(page: Page, rect: Rect) -> str:
    return re.sub(r'\n+', ' ', page.get_textbox(rect).strip())

# 사각형 좌표로 해당 구역내의 테이블을 추출.
def extract_table_from_block(page: Page, rect: Rect) -> pd.DataFrame | None:
    table = pymupdf.find_tables(page, clip=rect)
    if table.tables:
        return table[0].to_pandas()

# 메인함수
def main():
    # YoloLayoutDetector 객체 생성
    layout_detector = YoloLayoutDetector("yolov11l")
    
    # PDF 파일 로드 
    pdf = load_pdf('sample_fft.pdf')
    if pdf is None:
        print("Failed to load PDF.")
        return

    pages, images = pdf
    
    # 페이지 순회
    while pages:
        page = pages.pop(0)
        image = images.pop(0)

        # 레이아웃 분석 수행 -> 분석 결과로 bbox 배열 반환
        blocks = layout_detector.detect(image)
        extracted = {}

        # bbox 순회
        for i, b in enumerate(blocks):
            type = b["type"]
            box = b["box"]
            conf = b["conf"]
            print('\n\n', f'[{i}] : {type} ({conf:.2f})')

            # Table로 추론된 레이아웃이면 테이블 추출
            if type == 'Table':
                table_df = extract_table_from_block(page, Rect(box))
                if table_df is not None:
                    table_md = table_df.to_markdown()
                    print(table_md)
                    extracted[i] = table_md

            # 이외의 레이아웃은 텍스트 추출
            else:
                text = extract_text_from_block(page, Rect(box))
                if text:
                    print(text)
                    extracted[i] = text

        # 텍스트 추출 결과를 저장하기
        if extracted:
            seletected_blocks = [int(s) for s in input('\n\nselect block >>>').split() if s.isdigit()]
            with open('scraped.txt', 'w', encoding='utf-8') as file:
                for s in seletected_blocks:
                    file.write(extracted[s])

if __name__ == "__main__":
    main()

 [0] : Text (0.97)
벡터 연산 명령어군에는 일반적인 실수 덧셈, 뺄셈,  곱셈, 쉬프트 명령어가 포함된다. 특징적인 명령어는  vcadd로 특수 메모리인 벡터 조건 메모리의 값에 따라  선택 적으로 덧셈 혹은 뺄셈 동작을 수행한다. 벡터 조 건 메모리에 사전에 계산된 조건 값을 적정하게 설정하 면 조건 비교 명령이 필요하여 병렬화하기 어려운 연산 을 효과적으로 SIMD 프로세서에서 처리할 수 있다. 이  방법은 연산 시간을 단축시키지만 그 대가로 조건 값을  저장하기 위한 메모리를 더 필요로 한다. 벡터 조건 메 모리에도 다수의 조건 값이 저장되는데 스칼라 레지스


 [1] : Text (0.97)
장치와 벡터 정렬 메모리는 벡터 형태로 정렬된 입력  데이터의 순서를 짧은 시간에 재정렬 하는데 사용된다.  FFT 알고리즘의 경우 한 단의 출력 결과를 다음 단의  입 력으로 제공하기에 앞서 벡터 데이터의 순서를 변경 할 때 이 장치를 사용한다.


 [2] : Text (0.97)
벡터 정렬 명령어군에는 vshuf 명령어가 속한다. 이  명령어는 특수 목적 메모리인 벡터 정렬 메모리에 저장 된 내용에 따라 벡터 데이터 정렬 형태가 정해진다. 따 라서 이 메모리의 내용을 변경하여 벡터 데이터의 정렬  형태를 자유롭게 변경할 수 있다. 벡터 정렬 메모리에 는 다수의 데이터 정렬 형태가 저장되는데, 스칼라 레 지스터 r15를 이용하여 이들 가운데 한 데이터 정렬 형 태를 선택하여 SIMD 연산장치에 제공할 수 있다.

 [4] : Text (0.96)
<그림 4>는 Bruun 알고리즘의 데이터 정렬동작을  실험용 SIMD 프로세서에서 구현된 어셈블리 명령어로  구현한 예이다. 이 예에서 왼쪽 명령어는 SIMD 데이터 패스에서 실행되며 오른쪽 명령어는 스칼라 데이터패스 에서 실행된다. 이 예제에서 r1과 r2는 Bruun 알고리즘 에서 나타나는 2가지 데이터 정렬 형태가 저장된 벡터  정렬 메모리의 주소를 가리키는데 사용된다. r1은 <그 림 2>의 Bruun 알고리즘 신호 흐름도에서 실선으로 표 현된 벡터 데이터 정렬 형태를 가리키며, r2는 점선으로  표현된 벡터  데이터 정렬 형태를 나타내고 있다. 이 예

 [5] : Text (0.94)
터인 r14를 이용하여 이들 가운데 하나를 선택한다. 벡터 메모리 명령어군은 SIMD 레지스터 파일에 저 장된 벡터 데이터를 SIMD 메모리에 저장하는 vstr 명 령어와, SIMD 메 모리의 데이터를 SIMD 레지스터 파 일로 읽어 저장하는 vld 명령어로 구성된다.