总论中对PPStructure核心类做了概要介绍，本文旨在详解核心类之一：LayoutPredictor类。
回顾下总论中的内容，LayoutPredictor类负责版面分析，用于获取图片中各版面要素的边界框、类别标签、置信度等信息。代码在paddleocr/ppstructure/layout/predict_layout.py文件中。
本文首先详细解释LayoutPredictor类的__init__与__call__方法，接着通过应用场景代码实践，进一步了解该类的实现原理与用法。
构造函数__init__方法
构造函数用于构造LayoutPredictor类的实例，是使用该类的前提。构造函数位于predict_layout.py文件的第39行，定义如下：
def __init__(self, args)
可见，只要传入一个参数对象args即可，系统并没有对参数对象的类进行任何约束，看起来非常简单。但是，如果仔细阅读源码，可以看出构造函数中对args对象的属性有最小集要求。亦即传入的args参数对象，至少应该包含源码中使用到的属性，否则会报错。以下是args必须包含的属性列表：
主要参数包括：
- args.use_onnx 代表是否使用ONNX模型格式，可以为True或者False。
- args.layout_dict_path 代表版面分析字典文件所在路径，字符串str类型，默认值为layout_cdla_dict.txt。字典对形成正确的分析结果非常重要，必须保持与推理模型配套。推理模型运行的一般过程是将图像张量输入到模型，执行模型并获取输出张量。然后，将输出张量通过字典中单词序号的简单映射关系，转换为单词的列表。举例来说，假设通过版面分析模型，得到输出张量为[0,0,3,4]，假设模型的配套字典为默认值，那么返回的解析结果是[‘text’,‘text’,‘figure_caption’,‘table’]。同样的输出张量，如果模型的配套字典为PubLayNet，那么返回的解析结果是[‘text’,‘text’,‘table’,‘figure’]。差之毫厘谬之千里也。
- args.layout_score_threshold代表版面分析置信度阈值，浮点float类型。置信度低于此阈值者筛选掉，不输出到解析结果。如果使用paddleocr的parse_args来构造参数对象，那么layout_score_threshold的默认值被设置为0.5。
- args.layout_nms_threshold代表版面分析nms算法的iou阈值，浮点float类型。开源团队使用了非极大值抑制算法，来处理计算机视觉识别到的候选框序列，高于此阈值者会被视为重叠框从而从结果中排除。 nms的概念理解，可以看看这篇文章。如果使用paddleocr的parse_args来构造参数对象，那么layout_nms_threshold的默认值被设置为0.5。
上述必选参数，数量不多，可以自定义一个类来设置这些属性。为了保持与源码的一致性，推荐使用parse_args函数，该函数的解释参照PPStructure核心源码研究（二）。
魔法函数__call__
上节的构造函数完成了实例基础设置，真正体现功能的地方在魔法函数__call__。函数位于predict_layout.py文件的第70行，定义如下：
def __call__(self, img)
传入参数解释如下：
- img参数，图像数据三维张量，形状为[h,w,3]，分别代表图像高度、图像宽度、通道数（RGB）
魔法函数__call__函数执行过程中，首先对原始图像进行归一化等预处理操作，然后传入推理模型，执行模型，获取输出张量，并通过字典翻译，形成结果列表res_list和耗时elapse两项返回值。
- res_list
第一项返回值是一个结果列表，列表中的每一项代表一个版面要素。每个识别到的版面要素是一个字典，包含以下属性：- bbox 要素边界框，列表list类型，包含四个数值，分别是左上角x、左上角y、右下角x、右下角y。
- label 要素类型标签，字符串str类型，值来自于版面分析模型配套字典。
- score 要素置信度，浮点float类型，置信度越高结果越可信。
- elapse
第二项返回结果是耗时，代表整个模型的执行时间，单位为秒。
实验一：获取版面结果
第一个实验的目标，是直接使用LayoutPredictor类，识别官网中示例图片（假设已经存储到本地，名为layout1.jpg）：
通过程序运行，得到每个版面分析的类别、置信度等信息。主要代码如下：
args = construct_engine_params()
lp = LayoutPredictor(args)
source_img = './img/layout1.jpg'
img = cv2
