文档智能版式分析合成数据YOLO11MinerU
论文解读 · 2026年3月

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。

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。下面是生成流程：

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。先来看一下数据集中元素的空间分布特征：

下面是合成数据的样本示例：

· · ·

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。核心发现：

最佳策略：中位数分割 + 随机采样

💡 2-4% 看起来不多？在 DLA 这个任务上，模型 mAP 普遍 90+，能稳定提升 2-4% 而且不改任何模型结构，纯靠数据侧优化，性价比极高。

来看训练过程的 Precision 和 Recall 曲线对比：

可以看到，使用优化后的合成数据策略，模型在训练早期就展现出更稳定的收敛趋势。

· · ·

已集成到 MinerU

最值得关注的是，这个方法已经集成到了 MinerU 中。

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。它的核心流程就是：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。

🔥 这意味着：不是 paper 里的 toy experiment，而是在生产级工具中验证过的方法。

· · ·

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。

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。

📄 论文信息
标题：Improving Document Layout Analysis Using Synthetic Data Generation and Convolutional Models
作者：O. Pronina, Tao Xia, K. Sheliah, O. Piatykop, V. Efremenko, E. Balalayeva
发表：Applied Sciences (MDPI), 2026
DOI：10.3390/app16063089