mirror of
https://github.com/PaddlePaddle/PaddleOCR.git
synced 2025-06-03 21:53:39 +08:00
0529e2303e
* docs: Add a new document site * docs: Update comment setting * chore(pre-commit): Remove rules of md and remove the size limits of 512kb * chore(format): Run pre-commit in local * ci(document): Change the default name of building document site. * chore: Update .pre-commit-config.yaml
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。
|
||
|
||
|