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。
- 说明：使用该数据集时，需要遵守CDLA-Permissive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。
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。
