让文档不止于文字:DeploySharp + PP-Structure,打通版面分析与表格重建

一、DeploySharp 项目简介

DeploySharp 是一个面向 C#/.NET 开发者的开源模型部署框架，由「椒颜皮皮虾」开发，项目源码遵循 Apache License 2.0。项目封装了 ONNX Runtime、OpenVINO、TensorRT、OpenCV DNN 等推理引擎，提供模型加载、图像前处理、推理和结果后处理接口，方便大家在桌面软件、工业视觉和文档应用中部署模型。

目前项目已接入目标检测、分类、实例分割、关键点、旋转框、异常检测、背景移除等视觉任务，也提供 PP-OCRv4/v5/v6、PP-Structure 文档处理及部分图文、本地语言模型的使用入口。常用模型可以直接使用配套前后处理，自有模型可以配置输入输出、缩放、颜色和归一化，也可以扩展自己的解码器和结果类。

2.0 版本增加了按需安装的 NuGet 包、Batch 批量推理、独立 Session 会话池、异步输入、感兴趣区域（ROI）管理和大图重叠切片等功能。文档处理也可以通过这些接口组合多个模型，保留各阶段的结果与坐标。

项目源码与 NuGet：

项目源码：https://github.com/guojin-yan/DeploySharp/tree/DeploySharpV2.0NuGet（搜索 JYPPX.DeploySharp）：https://www.nuget.org/packages?q=JYPPX.DeploySharp

第 03 篇介绍了完整 OCR。这一篇继续处理文档结构：先在多栏页面中找到标题、正文和图片，再识别各区域的文字；对表格恢复行列和单元格，生成带文字的 HTML。

二、从“识别文字”到“组织文档”

2.1 为什么只有 OCR 还不够

普通 OCR 返回文字、置信度和文字框。做文档应用时，还需要区分标题、正文、图片和表格，并将表格文字放回对应的行列。

这些任务需要多个模型配合，处理过程如下：

PP-Structure 是一组文档处理能力的组合。 本篇使用 PaddleOCR 体系中的版面、表格及文字模型，在 DeploySharp 中组装两条可以独立运行的路径：

两条命令分别运行页面和表格处理。需要处理整页中的表格时，可以将版面检测得到的 table 区域裁出，再交给表格流程，并保留裁剪坐标变换。

2.2 其他文档模块放在哪里

方向分类用于纠正整页方向，UVDoc 用于文本图像矫正；公式、印章和图表区域需要各自的模型与结果处理。PaddleOCR-VL 则属于视觉语言解析路径，有独立的 Bundle、生成配置和运行成本。

这两张输入的朝向已经正确，因此省去方向分类。页面文字区域包含多行，采用 DET + REC；表格单元格主要是单行文字，采用 REC-only。自己的表格若有多行单元格，再增加格内文字检测。

三、环境与 NuGet：按使用场景安装

3.1 运行环境

我在 Windows 和 Ubuntu 上分别使用 ORT CPU、OpenVINO CPU 运行了这两个案例，下面介绍依赖和实现。

3.2 Windows：只用 ONNX Runtime CPU

先创建一个 x64 控制台工程，然后安装图像层和 ORT 后端：

dotnet new console -n DeploySharpStructureDemo -f net10.0cd DeploySharpStructureDemodotnet add package JYPPX.DeploySharp.Visual.OpenCV --version 2.0.0dotnet add package JYPPX.OpenCV.runtime.win-x64 --version 5.0.0dotnet add package JYPPX.DeploySharp.Backend.OnnxRuntime --version 2.0.0dotnet add package Microsoft.ML.OnnxRuntime --version 1.28.0

在 .csproj 的 PropertyGroup 中增加 <PlatformTarget>x64</PlatformTarget>。Visual、Core 等基础依赖由 NuGet 自动引入。

3.3 Windows：需要 OpenVINO，或者想切换两个后端

OpenVINO 场景保留公共图像层，选择 OpenVINO 后端和原生运行时。随文完整工程同时引用 ORT 和 OpenVINO，所以在上面的基础上再安装：

dotnet add package JYPPX.DeploySharp.Backend.OpenVINO --version 2.0.0dotnet add package OpenVINO.runtime.win --version 2026.2.1

只保留 ORT 的业务项目可以使用前面四个包，同时删除示例中的 using JYPPX.DeploySharp.Backends.OpenVINO、openvino 分支和 UseOpenVino() 调用。直接下载完整示例时保留六个包，即可按参数切换，不必先改源码。

OpenCV 负责读图、裁剪和绘制，ORT 或 OpenVINO 执行模型，各组件的关系如下：

3.4 Ubuntu：保留 C# 代码，选择 Linux 原生包

同一份工程可以在 Ubuntu 22.04 x64 构建。托管层和 ORT 包保持不变，图像层与 OpenVINO 换成对应的 Linux 运行时：

随文 .csproj 根据当前系统选包，也可以通过 RuntimeIdentifier 指定 win-x64 或 linux-x64。Linux 配置使用上表中的 Ubuntu 22.04 x64 原生包。

工程通过 MSBuild 将 .so 复制到输出目录：OpenCV 放在 native/opencv，OpenVINO 放在 native/openvino。运行前将这两个目录加入进程的 LD_LIBRARY_PATH，第八节有完整命令。

从空工程开始时，可以直接采用随文 .csproj，其中已经配置好条件选包和原生文件复制。两套系统都安装 .NET 10 SDK 即可。

四、准备模型、图片与随文源码

4.1 按任务下载模型

模型集中存放在 models-paddleocr Release。进入页面后，按文件名下载需要的 ONNX 和识别字典：

https://github.com/guojin-yan/DeploySharp/releases/tag/models-paddleocr单文件地址前缀（后面接完整文件名）：https://github.com/guojin-yan/DeploySharp/releases/download/models-paddleocr/

本篇演示有线表格。处理无线表格时，还要准备 rt-detr-l-wireless-cell-det.onnx、slanext-wireless.onnx，以及 OpenVINO 使用的 slanext-wireless-openvino-compat.onnx，代码根据 wireless_table 分类结果选择模型，再用自己的输入测试。

例如，只下载一个版面模型可以这样写：

New-Item -ItemType Directory -Force models, images | Out-Null$base = 'https://github.com/guojin-yan/DeploySharp/releases/download/models-paddleocr'Invoke-WebRequest "$base/pp-doclayout-l.onnx" -OutFile models/pp-doclayout-l.onnx

Ubuntu 的 Bash 对应写法：

mkdir -p models imagesmodel_base='https://github.com/guojin-yan/DeploySharp/releases/download/models-paddleocr'curl -fL "$model_base/pp-doclayout-l.onnx" -o models/pp-doclayout-l.onnx

其他模型按上表文件名下载到 models 目录，已有本地文件时直接复制即可。更换模型时，同步调整 Profile、类别、张量名和前处理。

4.2 使用官方公开示例图

本文页面图为 1524 × 1368 的多栏报纸，包含标题、正文和图片；表格图为 551 × 132，含中英文、数字和首行合并单元格。图片地址如下：

多栏页面：https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_structure_v3_demo.png有线表格：https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/table_recognition.jpg

保存到 images 目录：

Invoke-WebRequest 'https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_structure_v3_demo.png' `  -OutFile images/pp_structure_v3_demo.pngInvoke-WebRequest 'https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/table_recognition.jpg' `  -OutFile images/table_recognition.jpg

Ubuntu 使用同样的两张输入：

mkdir -p imagescurl -fL 'https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_structure_v3_demo.png' \  -o images/pp_structure_v3_demo.pngcurl -fL 'https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/table_recognition.jpg' \  -o images/table_recognition.jpg

换成自己的图片时，修改命令中的输入路径。PDF 先通过渲染组件转成页面图，再逐页处理。

4.3 完整代码在哪里

为了让正文集中解释关键环节，参数处理、模型配置、绘图和文件保存放在随文工程里。下载目录中的 .csproj 和三个 .cs 文件后，可直接还原运行；也可以将三个源码文件放入前面创建的工程。

https://github.com/guojin-yan/DeploySharp/tree/DeploySharpV2.0/docs/blog/2.0.0/2026-10/examples/06-paddle-structure

06-paddle-structure/  PaddleStructure.csproj     # 正式 NuGet 2.0.0，按系统选择原生包，含两个后端  Program.cs                # 命令、取消、退出码  StructureDemo.cs          # 模型、两条任务路径、结果保存与绘图  PageRoiOcrInput.cs         # 共享原图的区域 DET + REC 输入适配器  models/                   # 自行下载，或放入自己的匹配模型  images/                   # 输入图片  results/                  # 程序实际生成

后面的代码段摘自该工程，涉及的辅助方法也都在其中。

五、配置各模型的前处理

这几个模型虽然都属于 PaddleOCR 文档体系，输入约定却不同。比如 PP-DocLayout-L 使用 RGB 直接缩放，而 SLANeXt 使用 BGR、最长边等比例缩放和右下补齐。LCNet 又需要先短边缩放，再中心裁剪。

版面模型通过以下 Profile 选择类别、输入大小、几何辅助输入和阈值：

var descriptor = PaddleDocumentModelCatalog.Get("paddle-doc/pp-doclayout-l");var profile = PaddleDocumentProfiles.CreatePaddleNmsRegions(    descriptor,    PaddleDocumentProfiles.Layout23Labels,new VisualSize(640, 640),    includeGeometryInputs: true,    scoreThreshold: .5f);

这里的模型包含后置 NMS，结果按 [class, score, x1, y1, x2, y2] 解析，并有对应的数量输出。类别顺序使用 Layout23Labels，更换 Plus-L 等其他模型时，一起选择其专用类别表。

图像输入交给文档预处理适配器创建，辅助张量也随之生成：

var factory = new OpenCvVisualInputFactory();OpenCvImageSource source = OpenCvImageSource.FromFile(Path.GetFullPath(imagePath));using OpenCvDecodedRoiImage image = factory.DecodeForRois(source);using PreparedVisualInput input =    OpenCvPaddleDocumentPreprocessing.CreateFromPage(        image, profile, source.Sha256, cancellationToken);VisualInferenceResult inference =await layout.RunAsync(input, cancellationToken: cancellationToken);DetectionResult regions = inference.GetValue<DetectionResult>();

DocumentSession 注册 Profile，按本地路径创建 ModelArtifact，再创建 VisualPipeline。source.Sha256 由图像对象自动生成，用来关联同一页的阶段结果。

CreateFromPage 同时生成图像输入和 im_shape/scale_factor，让辅助张量与实际缩放保持一致，供解码器还原坐标。

六、页面路径：版面区域 → 区域内 OCR

6.1 先看真实版面结果

本次 PP-DocLayout-L 在 0.5 阈值下返回 31 个区域：30 个属于本文选取的文字类别，另一个是 image。下面左边为输入，右边为同一次推理的原图坐标结果。

代码依据 Category 决定是否进入 OCR，选择了正文、文档标题、段落标题、页眉页脚等文字类型；图片区域不进入文字识别。其他业务可以在这里将表格、公式、印章区域交给专用处理器。

6.2 在版面区域内执行 DET + REC

REC 通常以单条文字行为输入，而一个版面框可能包含十几行。这里先在段落内执行 DET，得到各文字行，再按四边形裁剪、组批 REC，保留每行的内容和位置。

这时还涉及两套坐标：检测器处理的是区域图像，最终业务需要的是整页位置。随文示例让 PrepareRectangle 保留裁剪与缩放变换，decoder 将文字框还原到整页；REC 则共享原图，直接按整页四边形裁文字行。

循环内的主要代码如下，Clip、ocr 和 det 的完整定义见 StructureDemo.cs：

RectangleF box = Clip(region.Bounds, image.SourceSize);var options = OpenCvStage19Preprocessing    .CreatePaddleOcrOfficialInferenceDetectionOptions(new VisualSize((int)box.Width, (int)box.Height), resizeLong: 960);PreparedVisualInput detectorInput = image.PrepareRectangle(new RectangleRoiGeometry(box),    det.VisualProfile.Input.Name, options, cancellationToken);usingvar input = new PageRoiOcrInput(image, detectorInput);OcrResult result = await ocr.RunAsync(    input, cancellationToken: cancellationToken);

PageRoiOcrInput 是随文提供的输入适配器，实现 IOcrImageInput。它将 ROI 检测张量和 image.CreateRecognitionInput() 提供的整页识别视图组合在一起；识别组批直接委托给该视图。它拥有这两个对象，Dispose() 时释放它们，整页图像由外层 using 维护。

ROI 视图共享源图，省去了中间 JPEG/PNG 的编码和解码。前处理继续完成张量准备、透视裁剪和归一化，返回的文字框已经是整页坐标，可以直接绘制。

6.3 用文档流水线连接阶段

文档编排负责顺序、依赖、页码和阶段结果；每个阶段仍由我们调用对应模型。页面案例注册版面阶段，再注册依赖版面输出的文字阶段：

var pipeline = new PaddleDocumentPipeline(new IPaddleDocumentPipelineStage[] { layoutStage, ocrStage });PaddleDocumentPipelineResult result = await pipeline.RunAsync(new PaddleDocumentPage(source, image.SourceSize), cancellationToken);var layoutResult = result.GetRequired<PaddleDocumentRegionResult>(    PaddleDocumentModule.LayoutDetection);var textResult = result.GetRequired<PaddleDocumentTextResult>(    PaddleDocumentModule.TextRecognition);

layoutStage 使用 PaddleDocumentPipelineStage 调用版面模型，ocrStage 通过 PaddleDocumentDependentStage 声明依赖，再遍历文字类版面框。完整实现见 RunPageAsync。

每个 OCR 区域保存父版面索引，逐行保存四边形、文字和置信度。界面可以根据这些关系定位原文，或者继续提取业务字段。

6.4 页面 OCR 运行结果

此次 Windows、Ubuntu 的两种后端均得到 30 个文字区域、142 行文字。下面展示 Windows ORT 的文字行框及前 8 行输出，其余内容由程序保存，不在文章中全部展开。

[29/doc_title] 搭建友谊桥梁[29/doc_title] 助力双方交往[19/text] 厄立特里亚高等教育与研究院合作建立，开[19/text] 设了中国语言课程和中国文化课程，注册学……此处仅节选，完整结果见 page.txt 和 page-lines.json

这里按框的 Y/X 位置排列输出，页面右侧的标题会排在前面。恢复整篇文章的栏序时，还需要在版面结果上增加阅读顺序和段落关联逻辑。

七、表格路径：分类 → 单元格与结构 → 文字填充

7.1 三类结果分别负责什么

表格处理要同时解决结构、位置和内容。SLANeXt 输出结构序列；RT-DETR cell 输出可裁剪的格子位置；REC 输出文字。 表格分类在前面决定使用 wired 还是 wireless 模型对。

下面这张图将模型路径和失败出口一起画出。只有对齐通过，才能把文字写进结构槽位。

分类与结构 Profile 的创建分别是：

var clsProfile = PaddleDocumentProfiles.CreateClassification(    PaddleDocumentModelCatalog.Get("paddle-table/pp-lcnet-x1-0-table-cls"),new[] { "wired_table", "wireless_table" },    VisualTaskId.TableClassification);var structureProfile = PaddleDocumentProfiles.CreateTableStructure(    PaddleDocumentModelCatalog.Get("paddle-table/slanext-wired"),    modelSize: new VisualSize(512, 512));

代码根据分类标签选择 wired 或 wireless 模型。RT-DETR 的 Profile 同样使用 CreatePaddleNmsRegions，类别为 table-cell，输入为 640 × 640，包含几何辅助输入，阈值设为 0.3。

7.2 先检查对齐，再裁图识别

表格的结构顺序和检测输出顺序不一定一致。示例使用 PaddleDocumentTableCellAligner，检查同页同源、结构完整、单元格数量以及行几何，再建立 StructureCellIndex → DetectionIndex 对应。

var table = result.GetRequired<PaddleDocumentTableResult>(    PaddleDocumentModule.TableStructureRecognition);var cells = result.GetRequired<PaddleDocumentRegionResult>(    PaddleDocumentModule.TableCellDetection);var alignment = PaddleDocumentTableCellAligner.Align(    table, cells, image.SourceSize.Width, image.SourceSize.Height);if (!alignment.Succeeded){// 完整工程先保存结构、检测图和诊断，再返回非零退出码。thrownew InvalidOperationException("Cell alignment failed: " + string.Join(", ", alignment.Diagnostics));}

例如，结构有 13 个槽位、检测只有 12 个框时，对齐器会返回诊断，程序保留结构和检测结果，供进一步排查。

当前对齐器支持本例的 colspan；rowspan 跨行布局尚不支持。遇到跨行、格子漏检或重复框时，根据诊断增加匹配策略，或转为人工处理。

7.3 从匹配的格子识别文字，再填 HTML

对齐后，根据 RT-DETR 检测框构造 TextRegion，用 StructureCellIndex 作为区域索引。CellRegion 将框裁到图内，保留小数坐标并创建四边形。

using IOcrRecognitionImageInput input = image.CreateRecognitionInput();var regions = alignment.Matches    .Select(match => CellRegion(match, image.SourceSize)).ToArray();IReadOnlyList<OcrRegionResult> recognized =await recognizer.RecognizeOnlyAsync(input, regions, cancellationToken);var byIndex = recognized.ToDictionary(x => x.Region.SourceIndex);string[] texts = Enumerable.Range(0, alignment.StructureCellCount)    .Select(i => byIndex[i].Recognition.Text).ToArray();string tableElement = PaddleDocumentTableCellAligner.FillMarkup(    table, alignment, texts);

recognizer 使用 v5 Mobile REC、对应字典和 CreateRecognitionOnly 创建，Batch 上限 16。FillMarkup 按结构索引填充，并转义文字里的 HTML 特殊字符。保存时再添加 UTF-8 声明、页面外壳和样式，得到可由浏览器打开的 table.html。

这里的单元格多数只有一行，因此直接使用 REC。自己的表格如果包含多行，可以复用页面案例的思路：以单元格为 ROI 运行 DET + REC，将格内各行合并后，仍按同一个结构索引填充。

7.4 表格识别结果与问题分析

本次表格分类为 wired_table，结构为 4 行、13 个单元格，第一行 colspan="4"。下图分别展示原图、独立单元格框，以及实际生成的 HTML 浏览器截图。

控制台输出如下：

table: backend=ort-cpu; type=wired; rows=4; cells=13; alignment=TrueStructure warnings: table-cell-geometry-outside-source:12/13

本次 SLANeXt 返回的结构单元格中，有 12/13 个几何范围超出源图。因此代码使用 SLANeXt 的结构序列，另用 RT-DETR 框定位、裁剪文字。两者对齐后完成 HTML 填充，结构框越界的信息保存在诊断中。

图中的 连续工作3 等文字有识别误差，空字符串也需要与原图核对，区分空白单元格和漏识别。金额、编号等关键字段，可以再结合置信度、格式规则和人工复核后入库。

八、直接运行，并找到完整结果

8.1 Windows：四条实际执行命令

进入完整随文工程目录，按前面的文件名准备 models 和 images，执行：

dotnet restoredotnet run -c Release -- page images/pp_structure_v3_demo.png models ort-cpu # 页面：ORT CPUdotnet run -c Release --no-build -- table images/table_recognition.jpg models ort-cpu # 表格：ORT CPUdotnet run -c Release --no-build -- page images/pp_structure_v3_demo.png models openvino # 页面：OpenVINOdotnet run -c Release --no-build -- table images/table_recognition.jpg models openvino # 表格：OpenVINO

OpenVINO 表格路径会自动选择 Release 中的 -openvino-compat.onnx。该派生图用于处理当前 OpenVINO 路径对原始 SLANeXt Loop 的导入限制，需要单独下载对应文件。

输入替换为自己的文件，例如：

dotnet run -c Release --no-build -- page images/my-document.png models ort-cpudotnet run -c Release --no-build -- table images/my-cropped-table.jpg models ort-cpu

程序支持 Ctrl+C 取消；成功退出码为 0，取消为 2，其他失败为 1。表格对齐失败时停止文字填充，保留诊断和结构文件。

8.2 Ubuntu：同一份源码运行两种 CPU 后端

在 Ubuntu 22.04 x64 安装 .NET SDK 10，进入随文工程目录，准备相同的模型与图片。先构建，再把输出目录中的两组原生库加入当前终端进程的搜索路径：

dotnet --infodotnet restoredotnet build -c Release --no-restoreexport LD_LIBRARY_PATH="$PWD/bin/Release/net10.0/native/opencv:$PWD/bin/Release/net10.0/native/openvino:${LD_LIBRARY_PATH:-}"dotnet run -c Release --no-build -- page images/pp_structure_v3_demo.png models ort-cpudotnet run -c Release --no-build -- table images/table_recognition.jpg models ort-cpudotnet run -c Release --no-build -- page images/pp_structure_v3_demo.png models openvinodotnet run -c Release --no-build -- table images/table_recognition.jpg models openvino

上面的原生库路径对应 Release/net10.0 输出。更改输出目录时，相应调整搜索路径；部署到服务时，将路径配置到服务进程中。

这四条命令已在前述 Ubuntu 设备实际执行成功。下面节选自 ORT CPU 的控制台输出；OpenVINO 的计数和对齐结果相同：

page: backend=ort-cpu; layout_regions=31; ocr_blocks=30; text_lines=142table: backend=ort-cpu; type=wired; rows=4; cells=13; alignment=TrueStructure warnings: table-cell-geometry-outside-source:12/13

下面汇总了 Ubuntu 上生成的文字行框、单元格框，以及对应的文字和 HTML 片段：

8.3 输出目录与用途

results/  ort-cpu/    page/      page.json             # 文档阶段结果、页码、版面和分区文字      page-lines.json       # 每条文字的父区域、类别、置信度、源图四边形      page.txt              # 按版面区域保存的文字      layout.jpg            # 版面检测框与类型      page-ocr.jpg          # 文字行框    table/      table.json            # 分类、单元格、结构、原始警告      alignment.json        # 数量、结构索引、检测索引与诊断      cell-texts.json       # 成功时保存各格文字与置信度      cells.jpg             # 独立单元格框与结构索引      table.html            # 成功时为带文字表格；失败时显示结构及失败提示  openvino/    page/                   # 同样的文件布局    table/

再次运行会覆盖同目录下的同名结果。处理多张图时，可以为每个输入创建独立输出子目录。

8.4 四组运行结果汇总

逐项比较保存的结果，四组的 142 行 OCR 文字和 13 个单元格字符串均与 Windows ORT CPU 结果相同。

其他模型和后端的测试状态可以查看仓库矩阵：

https://github.com/guojin-yan/DeploySharp/blob/DeploySharpV2.0/docs/model-backend-verification-matrix.md

九、接入自己的文档应用

9.1 常见现象与检查位置

Ubuntu 构建出现过 NETSDK1206 警告，本例通过 .csproj 显式复制原生文件完成部署。排查 Linux 动态依赖时，可以在工程目录执行：

ldd bin/Release/net10.0/native/opencv/libJYPPX.OpenCV.Native.soldd bin/Release/net10.0/native/openvino/libopenvino_c.so

根据 not found 补齐缺失依赖，并确认原生库与进程架构相同。本次两个入口的 ldd 检查均未发现缺失项。

9.2 生命周期、坐标和业务结果

随文工程按“Session → 页面输入 → 单次张量”的层次管理资源。常驻应用可以复用模型 Session，每页图像、ROI 视图和单次张量在局部 using 中释放。

页面文字结果保留整页坐标。从整页裁出表格后，表格结果属于裁剪图坐标，通过保存的裁剪变换映射回整页。前面若做了方向纠正或 UVDoc 矫正，还要组合对应的旋转或变形映射。

多页场景中，应用先完成文件解码或 PDF 渲染，再为每页创建 PaddleDocumentPage，指定 pageIndex，通过 RunManyAsync 编排。阅读顺序、跨页表格拼接和字段规则继续在应用层实现，并根据 Session 数量和内存预算配置并发。

十、总结与后续

本篇完成了版面检测与区域 OCR、表格结构与文字填充两条流程，并在 Windows、Ubuntu 的 ORT 和 OpenVINO CPU 上运行。做文档应用时，可以从这两条路径开始，再根据输入增加方向、矫正、公式或图表处理。

下一篇通过 NanoDet 单模型介绍自定义模型接入：配置输入输出、前处理和结果类型，完成距离分布解码、坐标还原与 NMS。多个模型联合的完整案例另设应用系列，包括园区巡检、文档结构化归档和商品图片整理。

本篇完整示例：https://github.com/guojin-yan/DeploySharp/tree/DeploySharpV2.0/docs/blog/2.0.0/2026-10/examples/06-paddle-structurePP-Structure 使用指南：https://github.com/guojin-yan/DeploySharp/blob/DeploySharpV2.0/docs/articles/visual-paddle-structure.md系列文章索引：https://github.com/guojin-yan/DeploySharp/tree/DeploySharpV2.0/docs/blog/2.0.0