在模型迭代的过程中，我们遵循各个模型各自的GitHub上提供的验证代码来输出验证结果，如果没有合适的验证代码，我们在其代码基础上进行了开发，详情请参考：
- 布局检测：使用LayoutLMv3；
- 公式检测：使用YOLOv8；
公式识别和光学字符识别我们使用的是UniMERNet和PaddleOCR官方提供的权重，没有做进一步的训练和验证，因此不涉及验证代码。
除此之外，如果想要直接对本pipeline输出的结果进行验证，我们也提供了一个脚本供参考。
验证数据由于版权原因无法公开。
布局检测使用的是LayoutLMv3官方提供的验证代码：
python train_net.py --config-file config.yaml --eval-only --num-gpus 8 \
MODEL.WEIGHTS /path/to/your/model_final.pth \
OUTPUT_DIR /path/to/save/dir
公式检测的部分，我们在YOLOv8的基础上新增了验证代码。
首先，需要将./modules/yolov8/mfd_val.py放在~/ultralytics/models/yolo/detect路径下，作用是新增MFDValidator类别。
然后将需要用到的yaml文件放在~/ultralytics/cfg/mfd_dataset下，这里给了一个示例：./modules/yolov8/opendata.yaml。
最后将验证的代码直接放在~/ultralytics/路径下，验证代码在./modules/yolov8/eval_mfd.py。
运行的脚本可以参考./modules/yolov8/eval_mfd_1888.sh，具体运行的命令如下：
bash eval_mfd_1888.sh /path/to/your/trained/yolov8/weights
注意，这里用的图像大小默认是1888，可以通过--imsize参数设置。
Pipeline输出结果的格式已经在README中展示，请参考这个格式准备验证数据。
我们提供了一个直接验证Pipeline输出结果的代码和示例数据（非真实数据，不代表本pipeline真实验证结果），请直接在本目录下运行以下命令：
python pdf_validation.py