mirror of
https://github.com/PaddlePaddle/PaddleOCR.git
synced 2025-10-31 09:49:30 +00:00
45 lines
2.2 KiB
Markdown
45 lines
2.2 KiB
Markdown
# 表格识别数据集
|
||
|
||
- [数据集汇总](#数据集汇总)
|
||
- [1. PubTabNet数据集](#1-pubtabnet数据集)
|
||
- [2. 好未来表格识别竞赛数据集](#2-好未来表格识别竞赛数据集)
|
||
- [3. 好未来表格识别竞赛数据集](#2-WTW中文场景表格数据集)
|
||
|
||
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="../../datasets/table_PubTabNet_demo/PMC524509_007_00.png" width="500">
|
||
<img src="../../datasets/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="../../datasets/table_tal_demo/1.jpg" width="500">
|
||
<img src="../../datasets/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。
|
||
|
||
https://github.com/wangwen-whu/WTW-Dataset/blob/main/demo/20210816_210413.gif
|
||
|
||
<div align="center">
|
||
<img src="https://github.com/wangwen-whu/WTW-Dataset/blob/main/demo/20210816_210413.gif" width="500">
|
||
</div>
|