44 lines
1.8 KiB
Markdown
44 lines
1.8 KiB
Markdown
|
---
|
|||
|
|
comments: true
|
|||
|
|
typora-copy-images-to: images
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
|
|||
|
|
# 表格识别数据集
|
|||
|
|
|
|||
|
|
这里整理了常用表格识别数据集，持续更新中，欢迎各位小伙伴贡献数据集～
|
|||
|
|
|
|||
|
|
## 数据集汇总
|
|||
|
|
|
|||
|
|
| 数据集名称 |图片下载地址| PPOCR标注下载地址 |
|
|||
|
|
|---|---|---|
|
|||
|
|
| PubTabNet |<https://github.com/ibm-aur-nlp/PubTabNet>| jsonl格式，可直接用[pubtab_dataset.py](../../../ppocr/data/pubtab_dataset.py)加载 |
|
|||
|
|
| 好未来表格识别竞赛数据集 |<https://ai.100tal.com/dataset>| jsonl格式，可直接用[pubtab_dataset.py](../../../ppocr/data/pubtab_dataset.py)加载 |
|
|||
|
|
| WTW中文场景表格数据集 |<https://github.com/wangwen-whu/WTW-Dataset>| 需要进行转换后才能用[pubtab_dataset.py](../../../ppocr/data/pubtab_dataset.py)加载 |
|
|||
|
|
|
|||
|
|
## 1. PubTabNet数据集
|
|||
|
|
|
|||
|
|
- **数据简介**：PubTabNet数据集的训练集合中包含50万张图像，验证集合中包含0.9万张图像。部分图像可视化如下所示。
|
|||
|
|
|
|||
|
|
<div align="center">
|
|||
|
|
<img src="./images/table_PubTabNet_demo/PMC524509_007_00.png" width="500">
|
|||
|
|
<img src="./images/table_PubTabNet_demo/PMC535543_007_01.png" width="500">
|
|||
|
|
</div>
|
|||
|
|
|
|||
|
|
- **说明**：使用该数据集时，需要遵守[CDLA-Permissive](https://cdla.io/permissive-1-0/)协议。
|
|||
|
|
|
|||
|
|
## 2. 好未来表格识别竞赛数据集
|
|||
|
|
|
|||
|
|
- **数据简介**：好未来表格识别竞赛数据集的训练集合中包含1.6万张图像。验证集未给出可训练的标注。
|
|||
|
|
|
|||
|
|
<div align="center">
|
|||
|
|
<img src="./images/table_tal_demo/1.jpg" width="500">
|
|||
|
|
<img src="./images/table_tal_demo/2.jpg" width="500">
|
|||
|
|
</div>
|
|||
|
|
|
|||
|
|
## 3. WTW中文场景表格数据集
|
|||
|
|
|
|||
|
|
- **数据简介**：WTW中文场景表格数据集包含表格检测和表格数据两部分数据，数据集中同时包含扫描和拍照两张场景的图像。
|
|||
|
|
|
|||
|
|
|