Skip to content

关键信息抽取数据集

这里整理了常见的关键信息抽取数据集,持续更新中,欢迎各位小伙伴贡献数据集~

1. FUNSD数据集

  • 数据来源https://guillaumejaume.github.io/FUNSD/
  • 数据简介:FUNSD数据集是一个用于表单理解的数据集,它包含199张真实的、完全标注的扫描版图片,类型包括市场报告、广告以及学术报告等,并分为149张训练集以及50张测试集。FUNSD数据集适用于多种类型的DocVQA任务,如字段级实体分类、字段级实体连接等。部分图像以及标注框可视化如下所示:
图中,橙色区域代表`header`,淡蓝色区域代表`question`, 绿色区域表`answer`,粉红色代区域表`other`。

2. XFUND数据集

  • 数据来源https://github.com/doc-analysis/XFUND
  • 数据简介:XFUND是一个多语种表单理解数据集,它包含7种不同语种的表单数据,并且全部用人工进行了键-值对形式的标注。其中每个语种的数据都包含了199张表单数据,并分为149张训练集以及50张测试集。部分图像以及标注框可视化如下所示:

3. wildreceipt数据集

  • 数据来源https://arxiv.org/abs/2103.14470
  • 数据简介:wildreceipt数据集是英文发票数据集,包含26个类别(此处类别体系包含Ignore类别),共标注了50000个文本框。其中训练集包含1267张图片,测试集包含472张图片。部分图像以及标注框可视化如下所示:

注: 这里对于类别为Ignore或者Others的文本,没有进行可视化。

  • 下载地址
    • 原始数据下载地址:链接
    • 数据格式转换后适配于PaddleOCR训练的数据下载地址:链接

Comments