wt_ocr_and_docker/doc/doc_ch/dataset/layout_datasets.md

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～

• publaynet数据集
• CDLA数据集
• TableBank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Table 1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。