开源表格识别模型对比

引言

表格结构识别功能是智能文档中很重要的一个模块，又加之表格种类繁多，且复杂，又进一步让表格识别任务变得更加困难。

现阶段，开源的表格识别模型众多，但却难以有一个公平的对比，来方便我们在日常使用时选择合适的模型。因此，我们就以此为出发点，旨在解决评估开源表格模型评估问题，通过构建第三方评测集、发布计算TEDS指标工具来评测了当前开源的诸多表格识别模型。

与此同时，我们也将最优的表格识别模型做了整理，发布了两个表格识别库，详情请参见下文：

• TableStructureRec(基于阿里读光开源模型)
• RapidTable(基于PP-Structure中表格识别模型)

评测环境

• OS: Ubuntu
• Python: 3.10.10
• OpenCV: 4.10.0.84

评测数据集及工具

• 评测集：table_rec_test_dataset
• 评测工具：TableRecognitionMetric

评测指标

• TEDS
• TEDS-only-structure

评测结果

注:

• StructEqTable 输出为 latex，只取成功转换为html并去除样式标签后进行测评
• Surya-Tabled 使用内置ocr模块，表格模型为行列识别模型，无法识别单元格合并，导致分数较低

RapidAI系表格识别库

TableStructureRec

该仓库是用来对文档中表格做结构化识别的推理库，包括来自阿里读光有线和无线表格识别模型，llaipython(微信)贡献的有线表格模型，网易Qanything内置表格分类模型等。

安装：

pip install wired_table_rec lineless_table_rec table_cls

使用：

import os

from lineless_table_rec import LinelessTableRecognition
from lineless_table_rec.utils_table_recover import format_html, plot_rec_box_with_logic_info, plot_rec_box
from table_cls import TableCls
from wired_table_rec import WiredTableRecognition

lineless_engine = LinelessTableRecognition()
wired_engine = WiredTableRecognition()
table_cls = TableCls()
img_path = f'images/img14.jpg'

cls,elasp = table_cls(img_path)
if cls == 'wired':
    table_engine = wired_engine
else:
    table_engine = lineless_engine
  
html, elasp, polygons, logic_points, ocr_res = table_engine(img_path)
print(f"elasp: {elasp}")

识别效果：

RapidTable

主源自PP-Structure的表格识别算法，模型转换为ONNX，推理引擎采用ONNXRuntime，部署简单，无内存泄露问题。最近刚刚集成了SLANet-plus，该模型是paddlex内置的SLANet升级版模型，表格识别准确率有大幅提升。

安装使用：

pip install rapidocr_onnxruntime
pip install rapid_table
rapid_table -v -img test_images/table.jpg

总结

• wired_table_rec_v2(有线表格精度最高): 通用场景有线表格(论文，杂志，期刊, 收据，单据，账单)
• paddlex-SLANet-plus(综合精度最高): 文档场景表格(论文，杂志，期刊中的表格)

小伙伴们可以根据自己需求尝试以上列出的表格识别模型，有啥想法可以关注RapidAI公众号，后台回复“表格”入微信群交流。

本文使用 markdown.com.cn 排版