不知道你有没有遇到过这种事：老板甩给你一份两年前的项目报告，里面的系统架构图是个 PNG。现在要复用，得把其中一个服务框的名字改掉、再加一条连线。你兴冲冲打开它，发现------字是"画死"在图里的，不能选中、不能改。
我前两天就栽在这上面。最后没办法，只能照着原图在 DrawIO 里重画了一遍，半小时就这么没了。
后来刷 GitHub 看到个叫 Edit-Banana 的项目，一句话定位很戳我：把"不可编辑"的静态图/PDF，变成能在 DrawIO、PPT 里随便拖、随便改的可编辑图。我试了下在线版，又翻了翻源码，这篇就聊聊它到底好不好用、适合谁。
题外话：名字里的 Banana 是硬凑的谐音梗（uneditable → editable，banana 纯粹是为了好记，别较真）。
它是什么来头
Edit-Banana 是**北理工数据实验室（BIT-DataLab）**开源的一个"通用内容重编辑框架"。
说人话就是：你给它一张流程图 / 架构图 / 技术示意图（甚至是带公式的图），它帮你把图里的每个元素------方框、箭头、文字、公式------重新"拆"出来，拼成一个能在 DrawIO（.drawio / XML 格式）或 PPT 里继续编辑的文件。
它主要靠三样东西：
- SAM3：一种图像分割模型 Segment Anything Model 3，可以理解成"看图就能把里面每个独立物体圈出来"的 AI，比如把流程图里的每个框、每段箭头单独抠出来。项目方针对图表场景做了微调。
- 多模态大模型（VLM）：像 Qwen-VL、GPT-4V 这类"能看图说话"的模型，负责多轮扫描，搞清楚元素之间的关系、谁连着谁。
- OCR + 公式识别 ：把图里的文字、公式认出来，公式还能转成 LaTeX 一种科技论文里写公式的标准排版语言，比如 `E=mc²` 写成 `\frac{E}{m}=c²`。
效果到底怎么样（先上对比图）
光说没用，上对比图。下面左边是原始截图，右边是它重建出来的可编辑 DrawIO------注意右边图里元素带了选中小方块，说明能单独拖。
第一组：流程图
原图：一张 PNG 流程图，文字和框都是"画死"的，没法选中
重建结果：同样的内容变成了 DrawIO，每个元素带选中小方块，能单独拖、改字、换样式
第二组：架构示意图
原图：架构类示意图
重建结果：方框、连线、配色都还原了，箭头也能选中调整
从这两组看，布局、配色、箭头样式、文字基本都还原了，元素也能选中。说实话比我自己重画快多了。
哪些场景真的用得上
| 场景 | 举个具体的例子 | 不用它的话 |
|---|---|---|
| 改论文 / 报告里的图 | 导师让你把第三章那张流程图里的"数据库"改成"数据仓库" | 用 PS 改字会糊，只能重画 |
| 教材 / 讲义图统一 | 你攒了一堆从别处截的图，想统一成 DrawIO 风格模板 | 一张张手画，一下午没了 |
| 设计稿 / 截图快速成图 | 产品丢来一张竞品架构截图，要改成自己家的 | 照着描，还容易描错 |
| PDF 讲义转可编辑 | 一份扫描版讲义要改成 PPT 接着讲 官方在线服务支持，见后文 | 重新排版，费眼 |
简单说：凡是"图是死的、但你还得接着改"的地方，它都能省事。
背后是怎么做到的
我把官方画的流水线说成人话版：
- 你丢一张图进去；
- SAM3 先分割：把图里每个框、每段箭头"抠"成独立区域，记下它们的位置和大小；
- OCR 认字 + 公式识别：把每个区域里的文字、公式读出来（官方用 Azure 的文档识别服务做精确位置，认公式用 Pix2Text 这类工具，云端大模型不可用时还能退回 VLM 端到端识别）；
- 多模态大模型多轮扫描：搞清"这个框连着那个框""这段箭头是虚线"之类的结构关系；
- 最后把"位置 + 文字 + 关系"拼到一起，导出成 DrawIO（XML）或 SVG。
比喻一下：SAM3 像是个手脚麻利的拆件工，把整台机器拆成一个个零件摆好；OCR 是旁边念说明书的人，把每个零件上的字念出来；VLM 是老师傅，指出"这个零件应该接在那个上面"。最后仓库管理员（导出模块）按清单把零件重新装成一份你能改的图纸。
我翻了翻源码，说点实在的
我在 GitHub 上把仓库克隆下来看了一眼，也试用了一下官方在线服务，有几点想提前告诉你，免得踩坑：
- 开源出来的代码，核心是"图片 → DrawIO（XML）/ SVG"这条线。仓库里主要是 Python 的后端流水线（分割、OCR、合并导出），我翻目录没看到现成的前端代码，也没看到 PDF / PPTX 的导出实现。
- PDF → 可编辑 PPTX 这类能力，目前主要在官方在线服务上。也就是说，你想本地跑开源版，主要享受到的是"图 → DrawIO"；要 PDF 转 PPT 这种，得上它的在线 Demo。
- 在线服务要注册，新用户有一定免费额度，按量扣，应该是为了挡住滥用、摊 GPU 成本。多人并发时它用全局锁 + 缓存保证 GPU 不打架。
- 开源协议 ：这点要提醒一下想二开的兄弟------仓库 README 徽章写的是 Apache-2.0，但仓库里的 LICENSE 文件实际是 AGPL-3.0 。两个不一样，商用或闭源二开前，自己核对一下协议文件，别只看徽章。
官方在线服务的 Web 界面：上传图片即可在页面里看到可编辑结果
怎么用
三种方式一张图看懂：在线版最省事，本地后端适合不想传图到云端的，命令行适合写进脚本批量跑。
方式一：在线版（最省事，推荐先试）
打开 editbanana.net ，注册登录，上传图片或 PDF，等一会儿就能拿到可编辑的 DrawIO（XML）或 PPTX，页面里还能直接拖着改。新用户有免费额度，先薅这个最划算。
方式二：本地跑后端 + CLI
适合想接自己数据、或者不想传图到云端的同学。
# 1. 克隆仓库
git clone https://github.com/BIT-DataLab/Edit-Banana.git
cd Edit-Banana
# 2. 建几个目录（输入、输出、模型缓存）
mkdir -p input output sam3_output
# 3. 装后端依赖（需要 Python 3.10+）
pip install -r requirements.txt
# 4. 准备模型：从 ModelScope 下载 SAM3 权重，放到 models/sam3.pt
# 下载地址：https://modelscope.cn/models/facebook/sam3
# 并在 config 里把路径指过去
# 5. 配置环境变量（OCR 用的，具体以仓库说明为准）
# 新建 .env，填 AZURE_ENDPOINT、AZURE_API_KEY 等
# 6. 启动后端（默认 http://localhost:8000）
python server_pa.py说明：官方在线版的前端是 React 写的，但开源仓库里我没找到对应的前端目录；能直接跑通的是后端 API + CLI 这两条路。
方式三：命令行（CLI，适合脚本化）
# 单张图转换，结果输出到 output/ 目录
python main.py -i input/test_diagram.png调参：config.yaml
转换效果不满意，可以改 config/config.yaml：
sam3:
score_threshold: 0.85 # 分割置信度阈值，调低能抠出更多小元素，但也可能更碎
nms_threshold: 0.3 # 重叠框抑制，避免一个元素被圈好几圈
max_iter: 3 # 最大迭代轮数
paths:
input_dir: input
output_dir: output
dominant_color:
sensitivity: 0.5 # 主色提取灵敏度小经验：框太碎就调高
score_threshold；箭头连不上就多跑几轮（max_iter）。具体手感得拿你自己的图试。
它和普通"重画"或"OCR 工具"比，强在哪
| 对比项 | Edit-Banana | 你手动重画 | 普通 OCR 工具 |
|---|---|---|---|
| 输出 | DrawIO(XML)/SVG 可编辑 | 位图，还是改不了 | 纯文本 / 表格，丢版式 |
| 图表结构 | 保留形状、连线、层级 | 全靠手 | 不保留 |
| 公式 | 能转 LaTeX，可继续编 | 难复用 | 大多不支持 |
| 适合谁 | 要"图变可编辑"的人 | 图很少时 | 只要提取文字时 |
一句话：普通 OCR 只给你"图里写了啥"，Edit-Banana 给你"图本身能改"。区别就像"别人把书读给你听"和"把书原样还给你、还能在上面划重点"。
我的一点看法 & 路线图
说实话，这个项目的定位挺巧------专门解决"图是死的但还得改"这个很多人忍了很久的小痛点。分割 + 多模态大模型 + OCR 这套组合，在箭头、配色、公式这些细节上确实比"截图重画"省心。
从仓库的路线图看，几个有意思的方向还在路上：
- 智能箭头连接：自动把箭头关联到目标形状（现在有的连线还得手动对一下）；
- DrawIO 模板适配：支持导入你自己的模板，统一风格；
- 批量导出：一次转一堆图；
- 本地 VLM：不依赖云端大模型 API，数据不出本机。
要挑刺的话：开源版目前主要是"图 → DrawIO"，PDF / PPTX 得靠在线服务；协议那块（AGPL vs Apache 徽章不一致）商用前务必自己确认。另外它吃 GPU，本地没卡的话还是在线版香。
去哪看
- GitHub：github.com/BIT-DataLab/Edit-Banana
- 在线 Demo：editbanana.net
- 适合人群：要把论文图 / 报告图 / 教材图变成可编辑 DrawIO 的研究者、老师、写作者；想学 SAM + 多模态大模型 + OCR 落地组合的开发者。
如果你也经常跟"改不动的死图"搏斗，不妨去在线版传张图试试，比重画一小时强。