PaddleOCR/docs/datasets/table_datasets.md

comments, typora-copy-images-to

comments	typora-copy-images-to
true	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。