diff --git a/docs/blog/index.html b/docs/blog/index.html
index fbf636c..d5fa92d 100644
--- a/docs/blog/index.html
+++ b/docs/blog/index.html
@@ -726,8 +726,8 @@ <h1 class="content-title mb-0">
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/blog/lineless_table_rec/index.html b/docs/blog/lineless_table_rec/index.html
index cfc2570..ac2e6c4 100644
--- a/docs/blog/lineless_table_rec/index.html
+++ b/docs/blog/lineless_table_rec/index.html
@@ -809,8 +809,8 @@ <h3 id="参考资料">参考资料 <a href="#%e5%8f%82%e8%80%83%e8%b5%84%e6%96%9
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/blog/table_rec_evaluate/index.html b/docs/blog/table_rec_evaluate/index.html
index a6e0f1d..5be6b99 100644
--- a/docs/blog/table_rec_evaluate/index.html
+++ b/docs/blog/table_rec_evaluate/index.html
@@ -952,8 +952,8 @@ <h4 id="3-推理代码">3. 推理代码 <a href="#3-%e6%8e%a8%e7%90%86%e4%bb%a3%
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/blog/wired_table_rec/index.html b/docs/blog/wired_table_rec/index.html
index 3f17768..44fbd3e 100644
--- a/docs/blog/wired_table_rec/index.html
+++ b/docs/blog/wired_table_rec/index.html
@@ -809,8 +809,8 @@ <h3 id="参考资料">参考资料 <a href="#%e5%8f%82%e8%80%83%e8%b5%84%e6%96%9
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/changelog/index.html b/docs/changelog/index.html
index a8c3065..abbd61e 100644
--- a/docs/changelog/index.html
+++ b/docs/changelog/index.html
@@ -800,8 +800,8 @@ <h4 id="2023-11-19-update">2023-11-19 update: <a href="#2023-11-19-update" class
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/faq/index.html b/docs/faq/index.html
index 89c58fd..22c2e82 100644
--- a/docs/faq/index.html
+++ b/docs/faq/index.html
@@ -749,8 +749,8 @@ <h1 class="content-title mb-0">
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/index.html b/docs/index.html
index a0f2153..9743e9f 100644
--- a/docs/index.html
+++ b/docs/index.html
@@ -786,8 +786,8 @@ <h1 class="content-title mb-0">
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/install_usage/index.html b/docs/install_usage/index.html
index 106b7d4..47400ad 100644
--- a/docs/install_usage/index.html
+++ b/docs/install_usage/index.html
@@ -709,8 +709,8 @@ <h1 class="content-title mb-0">
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/install_usage/index.xml b/docs/install_usage/index.xml
index 999f392..66659c6 100644
--- a/docs/install_usage/index.xml
+++ b/docs/install_usage/index.xml
@@ -17,7 +17,7 @@
 在这里，我们做的工作主要包括以下两点：
 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR
 模型转换ONNX link详情参考：ConvertLOREToONNX
-安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = &amp;#34;tests/test_files/lineless_table_recognition.jpg&amp;#34; table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） &amp;lt;html&amp;gt; &amp;lt;body&amp;gt; &amp;lt;table&amp;gt; &amp;lt;tbody&amp;gt; &amp;lt;tr&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;姓名&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;年龄&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;性别&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;身高/m&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;体重/kg&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;BMI/(kg/m²)&amp;lt;/td&amp;gt; &amp;lt;/tr&amp;gt; &amp;lt;tr&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;Duke&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;34&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;男&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;1.</description>
+安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = &amp;#34;outputs&amp;#34; img_path = &amp;#34;tests/test_files/lineless_table_recognition.jpg&amp;#34; table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f&amp;#34;cost: {elasp:.5f}&amp;#34;) complete_html = format_html(html) os.makedirs(os.path.dirname(f&amp;#34;{output_dir}/table.html&amp;#34;), exist_ok=True) with open(f&amp;#34;{output_dir}/table.html&amp;#34;, &amp;#34;w&amp;#34;, encoding=&amp;#34;utf-8&amp;#34;) as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f&amp;#34;{output_dir}/table_rec_box.jpg&amp;#34;, logic_points, polygons ) plot_rec_box(img_path, f&amp;#34;{output_dir}/ocr_box.</description>
     </item>
     
     <item>
diff --git a/docs/install_usage/lineless_table_rec/index.html b/docs/install_usage/lineless_table_rec/index.html
index 4a0301a..993e73c 100644
--- a/docs/install_usage/lineless_table_rec/index.html
+++ b/docs/install_usage/lineless_table_rec/index.html
@@ -37,18 +37,18 @@
 在这里，我们做的工作主要包括以下两点：
 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR
 模型转换ONNX link详情参考：ConvertLOREToONNX
-安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = &#34;tests/test_files/lineless_table_recognition.jpg&#34; table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） &lt;html&gt; &lt;body&gt; &lt;table&gt; &lt;tbody&gt; &lt;tr&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;姓名&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;年龄&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;性别&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;身高/m&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;体重/kg&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;BMI/(kg/m²)&lt;/td&gt; &lt;/tr&gt; &lt;tr&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;Duke&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;34&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;男&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;1." />
+安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = &#34;outputs&#34; img_path = &#34;tests/test_files/lineless_table_recognition.jpg&#34; table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f&#34;cost: {elasp:.5f}&#34;) complete_html = format_html(html) os.makedirs(os.path.dirname(f&#34;{output_dir}/table.html&#34;), exist_ok=True) with open(f&#34;{output_dir}/table.html&#34;, &#34;w&#34;, encoding=&#34;utf-8&#34;) as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f&#34;{output_dir}/table_rec_box.jpg&#34;, logic_points, polygons ) plot_rec_box(img_path, f&#34;{output_dir}/ocr_box." />
 <meta property="og:type" content="article" />
 <meta property="og:url" content="https://rapidai.github.io/TableStructureRec/docs/install_usage/lineless_table_rec/" /><meta property="og:image" content="https://rapidai.github.io/TableStructureRec/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_529375039069048311.png"/><meta property="article:section" content="docs" />
 
-<meta property="article:modified_time" content="2024-03-10T14:48:18+08:00" /><meta name="twitter:card" content="summary_large_image"/>
+<meta property="article:modified_time" content="2024-09-12T19:30:54+08:00" /><meta name="twitter:card" content="summary_large_image"/>
 <meta name="twitter:image" content="https://rapidai.github.io/TableStructureRec/opengraph/card-base-2_hu06b1a92291a380a0d2e0ec03dab66b2f_17642_filter_529375039069048311.png"/>
 <meta name="twitter:title" content="lineless_table_rec"/>
 <meta name="twitter:description" content="简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。
 在这里，我们做的工作主要包括以下两点：
 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR
 模型转换ONNX link详情参考：ConvertLOREToONNX
-安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = &#34;tests/test_files/lineless_table_recognition.jpg&#34; table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） &lt;html&gt; &lt;body&gt; &lt;table&gt; &lt;tbody&gt; &lt;tr&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;姓名&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;年龄&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;性别&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;身高/m&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;体重/kg&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;BMI/(kg/m²)&lt;/td&gt; &lt;/tr&gt; &lt;tr&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;Duke&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;34&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;男&lt;/td&gt; &lt;td rowspan=&#34;1&#34; colspan=&#34;1&#34;&gt;1."/>
+安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = &#34;outputs&#34; img_path = &#34;tests/test_files/lineless_table_recognition.jpg&#34; table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f&#34;cost: {elasp:.5f}&#34;) complete_html = format_html(html) os.makedirs(os.path.dirname(f&#34;{output_dir}/table.html&#34;), exist_ok=True) with open(f&#34;{output_dir}/table.html&#34;, &#34;w&#34;, encoding=&#34;utf-8&#34;) as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f&#34;{output_dir}/table_rec_box.jpg&#34;, logic_points, polygons ) plot_rec_box(img_path, f&#34;{output_dir}/ocr_box."/>
 
     
     <script>(()=>{var t=window.matchMedia&&window.matchMedia("(prefers-color-scheme: dark)").matches,e=localStorage.getItem("theme");t&&e===null&&(localStorage.setItem("theme","dark"),document.documentElement.setAttribute("data-dark-mode","")),t&&e==="dark"&&document.documentElement.setAttribute("data-dark-mode",""),e==="dark"&&document.documentElement.setAttribute("data-dark-mode","")})()</script>
@@ -489,14 +489,14 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 		
 
 		<a class="nav-link  active"
-		   id="eacbfdTab" data-bs-toggle="tab" data-bs-target="#eacbfd"
-		   type="button" role="tab" aria-controls="eacbfd" aria-selected="true">Python脚本使用</a>
+		   id="cadefbTab" data-bs-toggle="tab" data-bs-target="#cadefb"
+		   type="button" role="tab" aria-controls="cadefb" aria-selected="true">Python脚本使用</a>
 
 		
 
 		<a class="nav-link "
-		   id="afdbceTab" data-bs-toggle="tab" data-bs-target="#afdbce"
-		   type="button" role="tab" aria-controls="afdbce" aria-selected="true">终端使用</a>
+		   id="acfebdTab" data-bs-toggle="tab" data-bs-target="#acfebd"
+		   type="button" role="tab" aria-controls="acfebd" aria-selected="true">终端使用</a>
 
 		
 
@@ -512,7 +512,7 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade show active" id="eacbfd" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="cadefb" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -532,16 +532,33 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
   
 
   <div class="prism-codeblock  linenos">
-  <pre id="0dc4ac6" class="language-python  line-numbers">
-  <code>from lineless_table_rec import LinelessTableRecognition
+  <pre id="8a38cc6" class="language-python  line-numbers">
+  <code>import os
 
-engine = LinelessTableRecognition()
+from lineless_table_rec import LinelessTableRecognition
+from lineless_table_rec.utils_table_recover import (
+    format_html,
+    plot_rec_box,
+    plot_rec_box_with_logic_info,
+)
 
+output_dir = &#34;outputs&#34;
 img_path = &#34;tests/test_files/lineless_table_recognition.jpg&#34;
-table_str, elapse = engine(img_path)
+table_rec = LinelessTableRecognition()
 
-print(table_str)
-print(elapse)</code>
+html, elasp, polygons, logic_points, ocr_res = table_rec(img_path)
+print(f&#34;cost: {elasp:.5f}&#34;)
+
+complete_html = format_html(html)
+os.makedirs(os.path.dirname(f&#34;{output_dir}/table.html&#34;), exist_ok=True)
+
+with open(f&#34;{output_dir}/table.html&#34;, &#34;w&#34;, encoding=&#34;utf-8&#34;) as file:
+    file.write(complete_html)
+
+plot_rec_box_with_logic_info(
+    img_path, f&#34;{output_dir}/table_rec_box.jpg&#34;, logic_points, polygons
+)
+plot_rec_box(img_path, f&#34;{output_dir}/ocr_box.jpg&#34;, ocr_res)</code>
   </pre>
   </div>
 
@@ -553,7 +570,7 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="afdbce" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="acfebd" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -685,6 +702,7 @@ <h3 id="查看效果">查看效果 <a href="#%e6%9f%a5%e7%9c%8b%e6%95%88%e6%9e%9
   </pre>
   </div>
 </details>
+
     </div>
 
     
@@ -721,9 +739,9 @@ <h3 id="查看效果">查看效果 <a href="#%e6%9f%a5%e7%9c%8b%e6%95%88%e6%9e%9
     <div id="last-modified" class="mt-1">
         <p class="mb-0 fw-semibold">Last updated <span
             id="relativetime"
-            data-authdate="2024-03-10T14:48:18&#43;0800"
-            title="10 Mar 2024, 14:48 &#43;0800">
-            10 Mar 2024, 14:48 &#43;0800
+            data-authdate="2024-09-12T19:30:54&#43;0800"
+            title="12 Sep 2024, 19:30 &#43;0800">
+            12 Sep 2024, 19:30 &#43;0800
         </span>. <span class="material-icons size-20 align-text-bottom opacity-75">history</span>
         </p>
     </div>
@@ -1050,8 +1068,8 @@ <h3 id="查看效果">查看效果 <a href="#%e6%9f%a5%e7%9c%8b%e6%95%88%e6%9e%9
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/install_usage/wired_table_rec/index.html b/docs/install_usage/wired_table_rec/index.html
index 0f6067e..63533ae 100644
--- a/docs/install_usage/wired_table_rec/index.html
+++ b/docs/install_usage/wired_table_rec/index.html
@@ -481,14 +481,14 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 		
 
 		<a class="nav-link  active"
-		   id="acefdbTab" data-bs-toggle="tab" data-bs-target="#acefdb"
-		   type="button" role="tab" aria-controls="acefdb" aria-selected="true">Python脚本使用</a>
+		   id="ecfbdaTab" data-bs-toggle="tab" data-bs-target="#ecfbda"
+		   type="button" role="tab" aria-controls="ecfbda" aria-selected="true">Python脚本使用</a>
 
 		
 
 		<a class="nav-link "
-		   id="cdebfaTab" data-bs-toggle="tab" data-bs-target="#cdebfa"
-		   type="button" role="tab" aria-controls="cdebfa" aria-selected="true">终端使用</a>
+		   id="bdeacfTab" data-bs-toggle="tab" data-bs-target="#bdeacf"
+		   type="button" role="tab" aria-controls="bdeacf" aria-selected="true">终端使用</a>
 
 		
 
@@ -504,7 +504,7 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade show active" id="acefdb" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade show active" id="ecfbda" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -545,7 +545,7 @@ <h3 id="使用">使用 <a href="#%e4%bd%bf%e7%94%a8" class="anchor" aria-hidden=
 
 
 
-<div class="tab-pane fade" id="cdebfa" role="tabpanel" aria-labelledby="nav-1">
+<div class="tab-pane fade" id="bdeacf" role="tabpanel" aria-labelledby="nav-1">
 
 	
 
@@ -996,8 +996,8 @@ <h3 id="查看效果">查看效果 <a href="#%e6%9f%a5%e7%9c%8b%e6%95%88%e6%9e%9
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/online_demo/index.html b/docs/online_demo/index.html
index 975d470..bf010f8 100644
--- a/docs/online_demo/index.html
+++ b/docs/online_demo/index.html
@@ -789,8 +789,8 @@ <h4 id="无线表格识别demohttpswwwmodelscopecnmodelsdamocv_resnet-transforme
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/overview/index.html b/docs/overview/index.html
index 0ffb330..1368fbd 100644
--- a/docs/overview/index.html
+++ b/docs/overview/index.html
@@ -802,8 +802,8 @@ <h3 id="表格结构化识别">表格结构化识别 <a href="#%e8%a1%a8%e6%a0%b
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/docs/sponsor/index.html b/docs/sponsor/index.html
index edb79c2..176b59d 100644
--- a/docs/sponsor/index.html
+++ b/docs/sponsor/index.html
@@ -807,8 +807,8 @@ <h4 id="buy-me-a-coffee">Buy me a Coffee <a href="#buy-me-a-coffee" class="ancho
                 id:  3 ,
                 href: "\/TableStructureRec\/docs\/install_usage\/lineless_table_rec\/",
                 title: "lineless_table_rec",
-                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。 在这里，我们做的工作主要包括以下两点： 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR 模型转换ONNX link详情参考：ConvertLOREToONNX 安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.",
-                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
+                description: "简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.",
+                content: " 简介 linklineless_table_rec库源于阿里读光-LORE无线表格结构识别模型。\n在这里，我们做的工作主要包括以下两点：\n将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR\n模型转换ONNX link详情参考：ConvertLOREToONNX\n安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = \"outputs\" img_path = \"tests/test_files/lineless_table_recognition.jpg\" table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f\"cost: {elasp:.5f}\") complete_html = format_html(html) os.makedirs(os.path.dirname(f\"{output_dir}/table.html\"), exist_ok=True) with open(f\"{output_dir}/table.html\", \"w\", encoding=\"utf-8\") as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f\"{output_dir}/table_rec_box.jpg\", logic_points, polygons ) plot_rec_box(img_path, f\"{output_dir}/ocr_box.jpg\", ocr_res) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） 姓名 年龄 性别 身高/m 体重/kg BMI/(kg/m²) Duke 34 男 1.74 70 23 Ella 26 女 1.60 58 23 Eartha 女 1.34 29 16 Thelonious 6 男 1.07 17 15 TARO 22 男 1.728 65 21.7 HANAKO 22 女 1.60 53 20.7 NARMAN 38 男 1.76 73 NAOMI 23 女 1.63 60 "
             }
         );
     index.add(
diff --git a/index.xml b/index.xml
index 1868b45..6fd78ef 100644
--- a/index.xml
+++ b/index.xml
@@ -44,7 +44,7 @@
 在这里，我们做的工作主要包括以下两点：
 将模型转换为ONNX格式，便于部署 完善后处理代码，与OCR识别模型整合，可以保证输出结果为完整的表格和对应的内容 info 该库仅提供推理代码，如有训练模型需求，请移步LORE-TSR
 模型转换ONNX link详情参考：ConvertLOREToONNX
-安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 from lineless_table_rec import LinelessTableRecognition engine = LinelessTableRecognition() img_path = &amp;#34;tests/test_files/lineless_table_recognition.jpg&amp;#34; table_str, elapse = engine(img_path) print(table_str) print(elapse) $ lineless_table_rec -img tests/test_files/lineless_table_recognition.jpg 查看效果 link 识别结果（点击展开） &amp;lt;html&amp;gt; &amp;lt;body&amp;gt; &amp;lt;table&amp;gt; &amp;lt;tbody&amp;gt; &amp;lt;tr&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;姓名&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;年龄&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;性别&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;身高/m&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;体重/kg&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;BMI/(kg/m²)&amp;lt;/td&amp;gt; &amp;lt;/tr&amp;gt; &amp;lt;tr&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;Duke&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;34&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;男&amp;lt;/td&amp;gt; &amp;lt;td rowspan=&amp;#34;1&amp;#34; colspan=&amp;#34;1&amp;#34;&amp;gt;1.</description>
+安装 link pip install lineless_table_rec 使用 link Python脚本使用 终端使用 import os from lineless_table_rec import LinelessTableRecognition from lineless_table_rec.utils_table_recover import ( format_html, plot_rec_box, plot_rec_box_with_logic_info, ) output_dir = &amp;#34;outputs&amp;#34; img_path = &amp;#34;tests/test_files/lineless_table_recognition.jpg&amp;#34; table_rec = LinelessTableRecognition() html, elasp, polygons, logic_points, ocr_res = table_rec(img_path) print(f&amp;#34;cost: {elasp:.5f}&amp;#34;) complete_html = format_html(html) os.makedirs(os.path.dirname(f&amp;#34;{output_dir}/table.html&amp;#34;), exist_ok=True) with open(f&amp;#34;{output_dir}/table.html&amp;#34;, &amp;#34;w&amp;#34;, encoding=&amp;#34;utf-8&amp;#34;) as file: file.write(complete_html) plot_rec_box_with_logic_info( img_path, f&amp;#34;{output_dir}/table_rec_box.jpg&amp;#34;, logic_points, polygons ) plot_rec_box(img_path, f&amp;#34;{output_dir}/ocr_box.</description>
     </item>
     
     <item>
diff --git a/sitemap.xml b/sitemap.xml
index c3aac93..9c3f160 100644
--- a/sitemap.xml
+++ b/sitemap.xml
@@ -12,7 +12,7 @@
     <lastmod>2023-11-21T09:41:44+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/TableStructureRec/docs/install_usage/lineless_table_rec/</loc>
-    <lastmod>2024-03-10T14:48:18+08:00</lastmod>
+    <lastmod>2024-09-12T19:30:54+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/TableStructureRec/docs/install_usage/wired_table_rec/</loc>
     <lastmod>2023-11-22T21:53:08+08:00</lastmod>
@@ -39,10 +39,10 @@
     <lastmod>2024-09-12T09:44:55+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/TableStructureRec/docs/</loc>
-    <lastmod>2024-09-12T09:44:55+08:00</lastmod>
+    <lastmod>2024-09-12T19:30:54+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/TableStructureRec/</loc>
-    <lastmod>2024-09-12T09:44:55+08:00</lastmod>
+    <lastmod>2024-09-12T19:30:54+08:00</lastmod>
   </url><url>
     <loc>https://rapidai.github.io/TableStructureRec/categories/</loc>
   </url><url>