113 lines
6.4 KiB
Markdown
113 lines
6.4 KiB
Markdown
# 表格识别
|
||
|
||
## 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-RARE
|
||
|
||
具体流程图如下
|
||
|
||
|
||
|
||
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. 图片由表格结构和cell坐标预测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|[TEDS(Tree-Edit-Distance-based Similarity)](https://github.com/ibm-aur-nlp/PubTabNet/tree/master/src)|
|
||
| --- | --- |
|
||
| EDD<sup>[2]</sup> | 88.3 |
|
||
| Ours | 93.32 |
|
||
|
||
## 3. 使用
|
||
|
||
### 3.1 快速开始
|
||
|
||
```python
|
||
cd PaddleOCR/ppstructure
|
||
|
||
# 下载模型
|
||
mkdir inference && cd inference
|
||
# 下载超轻量级表格英文OCR模型的检测模型并解压
|
||
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
|
||
# 下载超轻量级表格英文OCR模型的识别模型并解压
|
||
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
|
||
# 下载超轻量级英文表格英寸模型并解压
|
||
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/table/en_ppocr_mobile_v2.0_table_structure_infer.tar && tar xf en_ppocr_mobile_v2.0_table_structure_infer.tar
|
||
cd ..
|
||
# 执行预测
|
||
python3 table/predict_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_ppocr_mobile_v2.0_table_structure_infer --image_dir=../doc/table/table.jpg --rec_char_dict_path=../ppocr/utils/dict/table_dict.txt --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt --rec_char_type=EN --det_limit_side_len=736 --det_limit_type=min --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
|
||
|
||
note: 上述模型是在 PubLayNet 数据集上训练的表格识别模型，仅支持英文扫描场景，如需识别其他场景需要自己训练模型后替换 `det_model_dir`,`rec_model_dir`,`table_model_dir`三个字段即可。
|
||
|
||
### 3.2 训练
|
||
在这一章节中，我们仅介绍表格结构模型的训练，[文字检测](../../doc/doc_ch/detection.md)和[文字识别](../../doc/doc_ch/recognition.md)的模型训练请参考对应的文档。
|
||
|
||
#### 数据准备
|
||
训练数据使用公开数据集PubTabNet ([论文](https://arxiv.org/abs/1911.10683)，[下载地址](https://github.com/ibm-aur-nlp/PubTabNet))。PubTabNet数据集包含约50万张表格数据的图像，以及图像对应的html格式的注释。
|
||
|
||
#### 启动训练
|
||
*如果您安装的是cpu版本，请将配置文件中的 `use_gpu` 字段修改为false*
|
||
```shell
|
||
# 单机单卡训练
|
||
python3 tools/train.py -c configs/table/table_mv3.yml
|
||
# 单机多卡训练，通过 --gpus 参数设置使用的GPU ID
|
||
python3 -m paddle.distributed.launch --gpus '0,1,2,3' tools/train.py -c configs/table/table_mv3.yml
|
||
```
|
||
|
||
上述指令中，通过-c 选择训练使用configs/table/table_mv3.yml配置文件。有关配置文件的详细解释，请参考[链接](../../doc/doc_ch/config.md)。
|
||
|
||
#### 断点训练
|
||
|
||
如果训练程序中断，如果希望加载训练中断的模型从而恢复训练，可以通过指定Global.checkpoints指定要加载的模型路径：
|
||
```shell
|
||
python3 tools/train.py -c configs/table/table_mv3.yml -o Global.checkpoints=./your/trained/model
|
||
```
|
||
|
||
**注意**：`Global.checkpoints`的优先级高于`Global.pretrain_weights`的优先级，即同时指定两个参数时，优先加载`Global.checkpoints`指定的模型，如果`Global.checkpoints`指定的模型路径有误，会加载`Global.pretrain_weights`指定的模型。
|
||
|
||
|
||
### 3.3 评估
|
||
|
||
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:
|
||
```json
|
||
{"PMC4289340_004_00.png": [
|
||
["<html>", "<body>", "<table>", "<thead>", "<tr>", "<td>", "</td>", "<td>", "</td>", "<td>", "</td>", "</tr>", "</thead>", "<tbody>", "<tr>", "<td>", "</td>", "<td>", "</td>", "<td>", "</td>", "</tr>", "</tbody>", "</table>", "</body>", "</html>"],
|
||
[[1, 4, 29, 13], [137, 4, 161, 13], [215, 4, 236, 13], [1, 17, 30, 27], [137, 17, 147, 27], [215, 17, 225, 27]],
|
||
[["<b>", "F", "e", "a", "t", "u", "r", "e", "</b>"], ["<b>", "G", "b", "3", " ", "+", "</b>"], ["<b>", "G", "b", "3", " ", "-", "</b>"], ["<b>", "P", "a", "t", "i", "e", "n", "t", "s", "</b>"], ["6", "2"], ["4", "5"]]
|
||
]}
|
||
```
|
||
json 中，key为图片名，value为对应的gt，gt是一个由三个item组成的list，每个item分别为
|
||
1. 表格结构的html字符串list
|
||
2. 每个cell的坐标 (不包括cell里文字为空的)
|
||
3. 每个cell里的文字信息 (不包括cell里文字为空的)
|
||
|
||
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=../doc/table/1.png --rec_char_dict_path=../ppocr/utils/dict/table_dict.txt --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt --rec_char_type=EN --det_limit_side_len=736 --det_limit_type=min --gt_path=path/to/gt.json
|
||
```
|
||
如使用PubLatNet评估数据集，将会输出
|
||
```bash
|
||
teds: 93.32
|
||
```
|
||
|
||
### 3.4 预测
|
||
|
||
```python
|
||
cd PaddleOCR/ppstructure
|
||
python3 table/predict_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=../doc/table/1.png --rec_char_dict_path=../ppocr/utils/dict/table_dict.txt --table_char_dict_path=../ppocr/utils/dict/table_structure_dict.txt --rec_char_type=EN --det_limit_side_len=736 --det_limit_type=min --output ../output/table
|
||
```
|
||
|
||
Reference
|
||
1. https://github.com/ibm-aur-nlp/PubTabNet
|
||
2. https://arxiv.org/pdf/1911.10683 |