Layout Parser とは

ドキュメント画像を分析して、レイアウト（ここはテキスト、ここは画像、のような感じ）を検出してくれるやつです。
https://github.com/Layout-Parser/layout-parser

この記事の位置づけ

Layout Parser をWindowsで使うのに、一筋縄ではいかない状態なのだが、その回避方法が断片的に散らばってたのでまとめてみる。
基本的なインストール方法は本家のここに書かれている。
Windowsへのインストールに関してはもごもごしている。

Layout Parserのインストール

LayoutParser ライブラリをインストールする

まずは、本体をインストール

pip install layoutparser

Detectron2 レイアウトモデルバックエンドをインストールする

このDetectoron2をwindowsにインストールするのを躓いている人が多い（俺も）。
以下のサイトを参考に進めた。

Install Cython and COCO Tools

pip install cython
pip install pycocotools

Install Detectron2

detectron2を落としてくる。

git clone https://github.com/facebookresearch/detectron2.git

コードの修正

detectron2/setup.pyの75～87行目あたりに以下を追記します。
(行番号は新しいバージョンでは変更される可能性があります)

        if not is_rocm_pytorch:
            define_macros += [("WITH_CUDA", None)]
            extra_compile_args["nvcc"] = [
                "-O3",
                "-DCUDA_HAS_FP16=1",
                "-D__CUDA_NO_HALF_OPERATORS__",
                "-D__CUDA_NO_HALF_CONVERSIONS__",
                "-D__CUDA_NO_HALF2_OPERATORS__",
                "-allow-unsupported-compiler",  # この行を追加
            ]
        else:
            define_macros += [("WITH_HIP", None)]
            extra_compile_args["nvcc"] = [
                "-allow-unsupported-compiler",  # この行を追加
            ]

detectron2/setup.pyの最後226～227行目あたりをコメントアウトする。
(行番号は新しいバージョンでは変更される可能性があります)

    # ext_modules=get_extensions(),
    # cmdclass={"build_ext": torch.utils.cpp_extension.BuildExtension},

インストールを実行する。

pip install -e detectron2

iopath を修正する

このままでは、モデルを読み込む際にエラーが発生する。原因はiopathというライブラリのようです。

iopathを落としてくる

git clone https://github.com/facebookresearch/iopath

コードの修正

iopath/iopath/common/file_io.pyの924行目あたりを書き換えます。
(行番号は新しいバージョンでは変更される可能性があります)

# filename = path.split("/")[-1]
filename = parsed_url.path.split("/")[-1] # 書き換え

インストールを実行する。

pip install -e iopath

OCR対応

tesseractをインストールする

最新のインストーラーをダウンロードしてきてインストールする。

`layoutparser[ocr]`をインストールする。

pip install layoutparser[ocr]

以下のサイトから言語ファイルを落としてくる。

日本語の場合、jpn.traineddataをダウンロードし、tesseractのインストールフォルダ（C:\Program Files\Tesseract-OCR\tessdata）に保存する。

以上

まとめ

コンパイラとかパスとか、OS依存なところはまだまだなかなかな感じですね。

「自分が問題にぶつかって解決に10分以上使った内容は記事にして書く」という教えに従って書いてみました。ここ最近、ChatGPT等のおかげで10分以上はまることが少なくなりましたが、この記事で誰かのためになれば嬉しいです。