MinerU项目在AMD ROCm平台上的性能优化实践

项目背景

MinerU是一个基于深度学习的PDF文档解析工具，能够对文档中的文本、表格、公式等元素进行智能识别和结构化处理。该项目最初主要针对CPU和NVIDIA GPU平台进行优化，但在AMD ROCm平台上的运行性能存在明显不足。

问题现象

用户在使用AMD MI210专业计算卡运行MinerU时发现，7页PDF文档的解析时间达到142.36秒，远高于CPU平台的68.14秒。性能分析显示，OCR识别环节耗时最为严重，成为性能瓶颈。

技术分析

经过深入调查，发现性能问题主要由以下几个因素导致：

1. Torch版本冲突：用户最初安装了CPU版本的PyTorch，后覆盖安装ROCm版本，可能导致底层库冲突。

2. OCR引擎限制：早期版本使用的PaddleOCR对AMD ROCm平台支持不足，特别是仅支持ROCm 4.0版本，而现代AMD GPU需要ROCm 6.x版本。

3. 模型适配问题：DocLayoutYOLO模型在ROCm平台上存在性能异常，卷积运算效率低下，即使GPU占用率达到100%，处理速度仍不理想。

解决方案

1. 版本升级：

   • 完全卸载原有PyTorch安装
   • 安装专为ROCm 6.x优化的PyTorch版本
   • 升级到MinerU 1.3.0版本，该版本将所有模型切换为Torch实现

2. 模型替换：

   • 将DocLayout模型替换为基础YOLOv10模型(yolov10l_ft.pt)
   • 这一调整使布局预测速度从2.27页/秒提升到27.03页/秒

3. OCR引擎优化：

   • 新版采用RapidOCR 2.0.5，完全基于Torch实现
   • OCR识别速度显著提升，达到291.43项/秒

性能对比

优化前后关键指标对比：

指标	优化前	优化后
布局预测速度	2.27页/秒	27.03页/秒
OCR识别速度	35.21项/秒	291.43项/秒
7页解析时间	142.36秒	显著降低

实践建议

1. 环境配置：

   • 推荐使用Ubuntu 24.04.2系统
   • 安装ROCm 6.3.4或更新版本
   • 使用Python 3.12环境

2. 性能监控：

   • 使用rocm-smi工具监控GPU使用情况
   • 对关键模块进行性能剖析

3. 模型选择：

   • 根据实际需求选择合适的模型版本
   • 在ROCm平台上优先测试基础YOLOv10模型

未来展望

随着ROCm生态的不断完善和MinerU项目的持续优化，AMD GPU平台上的文档解析性能有望进一步提升。建议关注：

1. DocLayoutYOLO模型对ROCm平台的适配优化
2. ONNX Runtime在ROCm平台上的性能改进
3. 新一代OCR引擎的持续演进

通过本次优化实践，MinerU在AMD ROCm平台上实现了显著的性能提升，为使用AMD硬件加速的用户提供了更好的体验。