Expand description
版面检测：PP-DocLayoutV3（HGNetV2-L 骨干 + RT-DETR 式混合编码器 + 可变形注意力解码器），
输入整页图，输出带类别的区域框（正文、标题、公式、公式编号、表格、图……），按预测的阅读顺序排。
结构照 transformers 的 modeling_pp_doclayout_v3.py、modeling_hgnet_v2.py，预处理与后处理照
image_processing_pp_doclayout_v3.py（均 Apache-2.0）。掩码转多边形不做。
流程：预处理（preprocess，拉伸到 800×800）→ 骨干（hgnet）→ 混合编码器（encoder，
含掩码特征）→ 选查询（query，掩码外接框作初始参考框）→ 解码器（decoder，可变形注意力在
deform）→ 后处理（postprocess）。
Modules§
- config
- 模型配置（config.json）里推理要用的字段，缺省值取 transformers
PPDocLayoutV3Config的类属性。 只支持 PP-DocLayoutV3 发布权重用到的那种结构，遇到别的取值直接报错，不默默算错。 - decoder
- 解码器（
PPDocLayoutV3Decoder）：6 层（自注意力 + 可变形交叉注意力 + 前馈），每层之后用框头迭代 修正参考框。类别头、框头与编码器的enc_score_head、enc_bbox_head共用权重（_tied_weights_keys， 权重文件里没有另存）。阅读顺序头（decoder_order_head+ 全局指针）只算最后一层。逐层掩码输出不算。 - encoder
- 混合编码器（
PPDocLayoutV3HybridEncoder，RT-DETR 式）：骨干后三段各投影到同一通道 → 最高层做 层内自注意力（AIFI）→ 自顶向下 FPN + 自底向上 PAN 融合；另外用融合结果和骨干第一段算掩码特征。 RepVGG 块的两路卷积在载入时并成一个 3×3，结果只差浮点舍入。 - hgnet
- HGNetV2 骨干。结构照 transformers 的
modeling_hgnet_v2.py（Apache-2.0）：stem + 4 段 HG 块， 块里若干卷积的输出连同输入按通道拼起来，再过两个 1×1 卷积聚合。批归一化在载入时并进卷积。 配置（段数、块数、每块层数、核大小、是否轻量块）都从权重推出来，不写死 L 档的表。 - preprocess
- 预处理：整页图拉伸到固定尺寸（不保长宽比），双三次插值（不抗锯齿），取整回 8 位，再缩放到 0–1、
减均值除标准差。语义照 transformers 的
PPDocLayoutV3ImageProcessor（Apache-2.0）：torchvision 的resize(antialias=False)走F.interpolate(mode="bicubic", align_corners=False)。