|
[English](README.md) | 简体中文 |
|
|
|
# 表格识别 |
|
|
|
- [1. 表格识别 pipeline](#1-表格识别-pipeline) |
|
- [2. 性能](#2-性能) |
|
- [3. 效果演示](#3-效果演示) |
|
- [4. 使用](#4-使用) |
|
- [4.1 快速开始](#41-快速开始) |
|
- [4.2 模型训练、评估与推理](#42-模型训练评估与推理) |
|
- [4.3 计算TEDS](#43-计算teds) |
|
- [5. Reference](#5-reference) |
|
|
|
|
|
## 1. 表格识别 pipeline |
|
|
|
表格识别主要包含三个模型 |
|
1. 单行文本检测-DB |
|
2. 单行文本识别-CRNN |
|
3. 表格结构和cell坐标预测-SLANet |
|
|
|
具体流程图如下 |
|
|
|
![tableocr_pipeline](../docs/table/tableocr_pipeline.jpg) |
|
|
|
流程说明: |
|
|
|
1. 图片由单行文字检测模型检测到单行文字的坐标,然后送入识别模型拿到识别结果。 |
|
2. 图片由SLANet模型拿到表格的结构信息和单元格的坐标信息。 |
|
3. 由单行文字的坐标、识别结果和单元格的坐标一起组合出单元格的识别结果。 |
|
4. 单元格的识别结果和表格结构一起构造表格的html字符串。 |
|
|
|
|
|
## 2. 性能 |
|
|
|
我们在 PubTabNet<sup>[1]</sup> 评估数据集上对算法进行了评估,性能如下 |
|
|
|
|
|
|算法|Acc|[TEDS(Tree-Edit-Distance-based Similarity)](https://github.com/ibm-aur-nlp/PubTabNet/tree/master/src)|Speed| |
|
| --- | --- | --- | ---| |
|
| EDD<sup>[2]</sup> |x| 88.30% |x| |
|
| TableRec-RARE(ours) | 71.73%| 93.88% |779ms| |
|
| SLANet(ours) |76.31%| 95.89%|766ms| |
|
|
|
性能指标解释如下: |
|
- Acc: 模型对每张图像里表格结构的识别准确率,错一个token就算错误。 |
|
- TEDS: 模型对表格信息还原的准确度,此指标评价内容不仅包含表格结构,还包含表格内的文字内容。 |
|
- Speed: 模型在CPU机器上,开启MKL的情况下,单张图片的推理速度。 |
|
|
|
## 3. 效果演示 |
|
|
|
![](../docs/imgs/table_ch_result1.jpg) |
|
![](../docs/imgs/table_ch_result2.jpg) |
|
![](../docs/imgs/table_ch_result3.jpg) |
|
|
|
## 4. 使用 |
|
|
|
### 4.1 快速开始 |
|
|
|
PP-Structure目前提供了中英文两种语言的表格识别模型,模型链接见 [models_list](../docs/models_list.md)。也提供了whl包的形式方便快速使用,详见 [quickstart](../docs/quickstart.md)。 |
|
|
|
下面以中文表格识别模型为例,介绍如何识别一张表格。 |
|
|
|
使用如下命令即可快速完成一张表格的识别。 |
|
```python |
|
cd PaddleOCR/ppstructure |
|
|
|
# 下载模型 |
|
mkdir inference && cd inference |
|
# 下载PP-OCRv3文本检测模型并解压 |
|
wget https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_det_infer.tar && tar xf ch_PP-OCRv3_det_infer.tar |
|
# 下载PP-OCRv3文本识别模型并解压 |
|
wget https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_rec_infer.tar && tar xf ch_PP-OCRv3_rec_infer.tar |
|
# 下载PP-StructureV2中文表格识别模型并解压 |
|
wget https://paddleocr.bj.bcebos.com/ppstructure/models/slanet/ch_ppstructure_mobile_v2.0_SLANet_infer.tar && tar xf ch_ppstructure_mobile_v2.0_SLANet_infer.tar |
|
cd .. |
|
# 执行表格识别 |
|
python table/predict_table.py \ |
|
--det_model_dir=inference/ch_PP-OCRv3_det_infer \ |
|
--rec_model_dir=inference/ch_PP-OCRv3_rec_infer \ |
|
--table_model_dir=inference/ch_ppstructure_mobile_v2.0_SLANet_infer \ |
|
--rec_char_dict_path=../ppocr/utils/ppocr_keys_v1.txt \ |
|
--table_char_dict_path=../ppocr/utils/dict/table_structure_dict_ch.txt \ |
|
--image_dir=docs/table/table.jpg \ |
|
--output=../output/table |
|
``` |
|
运行完成后,每张图片的excel表格会保存到output字段指定的目录下,同时在该目录下回生产一个html文件,用于可视化查看单元格坐标和识别的表格。 |
|
|
|
**NOTE** |
|
1. 如果想使用英文模型,需要在 [models_list](../docs/models_list.md) 中下载英文文字检测识别模型和英文表格识别模型,同时替换`table_structure_dict_ch.txt`为`table_structure_dict.txt`即可。 |
|
2. 如需使用TableRec-RARE模型,需要替换`table_structure_dict_ch.txt`为`table_structure_dict.txt`,同时参数`--merge_no_span_structure=False` |
|
|
|
### 4.2 模型训练、评估与推理 |
|
|
|
文本检测模型的训练、评估和推理流程可参考 [detection](../../doc/doc_ch/detection.md) |
|
|
|
文本识别模型的训练、评估和推理流程可参考 [recognition](../../doc/doc_ch/recognition.md) |
|
|
|
表格识别模型的训练、评估和推理流程可参考 [table_recognition](../../doc/doc_ch/table_recognition.md) |
|
|
|
### 4.3 计算TEDS |
|
|
|
表格使用 [TEDS(Tree-Edit-Distance-based Similarity)](https://github.com/ibm-aur-nlp/PubTabNet/tree/master/src) 作为模型的评估指标。在进行模型评估之前,需要将pipeline中的三个模型分别导出为inference模型(我们已经提供好),还需要准备评估的gt, gt示例如下: |
|
```txt |
|
PMC5755158_010_01.png <html><body><table><thead><tr><td></td><td><b>Weaning</b></td><td><b>Week 15</b></td><td><b>Off-test</b></td></tr></thead><tbody><tr><td>Weaning</td><td>–</td><td>–</td><td>–</td></tr><tr><td>Week 15</td><td>–</td><td>0.17 ± 0.08</td><td>0.16 ± 0.03</td></tr><tr><td>Off-test</td><td>–</td><td>0.80 ± 0.24</td><td>0.19 ± 0.09</td></tr></tbody></table></body></html> |
|
``` |
|
gt每一行都由文件名和表格的html字符串组成,文件名和表格的html字符串之间使用`\t`分隔。 |
|
|
|
也可使用如下命令,由标注文件生成评估的gt文件: |
|
```python |
|
python3 ppstructure/table/convert_label2html.py --ori_gt_path /path/to/your_label_file --save_path /path/to/save_file |
|
``` |
|
|
|
准备完成后使用如下命令进行评估,评估完成后会输出teds指标。 |
|
```python |
|
cd PaddleOCR/ppstructure |
|
python3 table/eval_table.py \ |
|
--det_model_dir=path/to/det_model_dir \ |
|
--rec_model_dir=path/to/rec_model_dir \ |
|
--table_model_dir=path/to/table_model_dir \ |
|
--image_dir=docs/table/table.jpg \ |
|
--rec_char_dict_path=../ppocr/utils/dict/table_dict.txt \ |
|
--table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt \ |
|
--det_limit_side_len=736 \ |
|
--det_limit_type=min \ |
|
--gt_path=path/to/gt.txt |
|
``` |
|
|
|
如使用英文表格识别模型在PubLatNet数据集上进行评估 |
|
|
|
```bash |
|
cd PaddleOCR/ppstructure |
|
# 下载模型 |
|
mkdir inference && cd inference |
|
# 下载基于PubTabNet数据集训练的文本检测模型并解压 |
|
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/table/en_ppocr_mobile_v2.0_table_det_infer.tar && tar xf en_ppocr_mobile_v2.0_table_det_infer.tar |
|
# 下载基于PubTabNet数据集训练的文本识别模型并解压 |
|
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/table/en_ppocr_mobile_v2.0_table_rec_infer.tar && tar xf en_ppocr_mobile_v2.0_table_rec_infer.tar |
|
# 下载基于PubTabNet数据集训练的表格识别模型并解压 |
|
wget https://paddleocr.bj.bcebos.com/ppstructure/models/slanet/en_ppstructure_mobile_v2.0_SLANet_infer.tar && tar xf en_ppstructure_mobile_v2.0_SLANet_infer.tar |
|
cd .. |
|
|
|
python3 table/eval_table.py \ |
|
--det_model_dir=inference/en_ppocr_mobile_v2.0_table_det_infer \ |
|
--rec_model_dir=inference/en_ppocr_mobile_v2.0_table_rec_infer \ |
|
--table_model_dir=inference/en_ppstructure_mobile_v2.0_SLANet_infer \ |
|
--image_dir=train_data/table/pubtabnet/val/ \ |
|
--rec_char_dict_path=../ppocr/utils/dict/table_dict.txt \ |
|
--table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt \ |
|
--det_limit_side_len=736 \ |
|
--det_limit_type=min \ |
|
--rec_image_shape=3,32,320 \ |
|
--gt_path=path/to/gt.txt |
|
``` |
|
|
|
将会输出 |
|
```bash |
|
teds: 95.89 |
|
``` |
|
|
|
## 5. Reference |
|
1. https://github.com/ibm-aur-nlp/PubTabNet |
|
2. https://arxiv.org/pdf/1911.10683 |
|
|