huanghai
/
PaddleOCR
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from 'main'
${ noResults }
PaddleOCR/docs/datasets/layout_datasets.md

2.6 KiB
Raw Permalink Blame History Escape

This file contains ambiguous Unicode characters!

This file contains ambiguous Unicode characters that may be confused with others in your current locale. If your use case is intentional and legitimate, you can safely ignore this warning. Use the Escape button to highlight these characters.

comments
true

版面分析数据集

这里整理了常用版面分析数据集，持续更新中，欢迎各位小伙伴贡献数据集～

版面分析数据集多为目标检测数据集，除了开源数据，用户还可使用合成工具自行合成，如labelme等。

1、publaynet数据集

  • 数据来源：https://github.com/ibm-aur-nlp/PubLayNet
  • 数据简介：publaynet数据集的训练集合中包含35万张图像，验证集合中包含1.1万张图像。总共包含5个类别，分别是： text, title, list, table, figure。部分图像以及标注框可视化如下所示。

2、CDLA数据集

  • 数据来源：https://github.com/buptlihang/CDLA
  • 数据简介：CDLA据集的训练集合中包含5000张图像，验证集合中包含1000张图像。总共包含10个类别，分别是： Text, Title, Figure, Figure caption, Table, Table caption, Header, Footer, Reference, Equation。部分图像以及标注框可视化如下所示。

3、TableBank数据集

  • 数据来源：https://doc-analysis.github.io/tablebank-page/index.html
  • 数据简介：TableBank数据集包含Latex（训练集187199张，验证集7265张，测试集5719张）与Word（训练集73383张，验证集2735张，测试集2281张）两种类别的文档。仅包含Table 1个类别。部分图像以及标注框可视化如下所示。