版面分析数据集
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。
- 下载地址：https://developer.ibm.com/exchanges/data/all/publaynet/
- 说明：使用该数据集时，需要遵守CDLA-Permissive协议。
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。
- 下载地址：https://github.com/buptlihang/CDLA
- 说明：基于PaddleDetection套件，在该数据集上训练目标检测模型时，在转换label时，需要将
label.txt中的__ignore__与_background_去除。
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
Table1个类别。部分图像以及标注框可视化如下所示。
- 下载地址：https://doc-analysis.github.io/tablebank-page/index.html
- 说明：使用该数据集时，需要遵守Apache-2.0协议。