RAGFlow 系列教程 第八课：视觉模型层 -- 布局识别与 OCR

系列: RAGFlow v0.25.0 源码深度解析
作者: 耿雨飞
前置知识: 已完成第七课"DeepDoc – 文档解析引擎架构"的学习

导读

在第七课中，我们从架构层面分析了 DeepDoc 的整体设计——两大子模块（parser/和vision/）、三层解析器分级、以及RAGFlowPdfParser的 8 步解析流水线。我们知道，PDF 解析器会调用vision/模块中的 OCR、布局识别器和表格结构识别器来完成视觉分析，但这些模型内部是如何工作的？图像是怎样从像素变成结构化的文字和布局信息的？

本课将深入deepdoc/vision/子模块的每一个核心文件，从 ONNX Runtime 推理框架、到 OCR 引擎的检测-识别双阶段流水线、再到布局识别和表格结构识别的完整实现，逐一拆解。vision/模块共 9 个文件、约 3745 行代码，是 DeepDoc 的"视觉大脑"——所有文档理解的视觉智能都源于此。

学习目标

1. 理解 ONNX Runtime 推理框架在 RAGFlow 中的角色：模型加载、GPU/CPU 自动选择、显存管理
2. 掌握Recognizer基类的设计：预处理、推理、后处理三阶段以及丰富的空间排序/重叠计算工具方法