Tatr Tab Struct V2

由 deepdoctection 开发

基于PubTables1M和FinTabNet数据集训练的DETR架构模型，专用于表格结构识别任务

文字识别

Transformers

#表格结构识别 #跨单元格检测 #金融文档处理

下载量 99

发布时间 : 9/4/2023

模型介绍

内容详情

替代品

模型简介

该模型采用Transformer架构，能够识别表格中的行、列、表头及跨单元格结构，适用于文档数字化处理场景

模型特点

跨单元格识别

能够准确识别表格中的合并单元格和跨行列结构

多元素检测

同时检测表格、行、列、表头等多种布局元素

优化边缘处理

建议使用5像素填充边距以获得最佳识别效果

模型能力

表格区域检测

行列结构识别

表头分类

合并单元格检测

使用案例

文档数字化

财务报表解析

自动识别复杂财务报表的结构化数据

准确提取行列关系及跨单元格数据

科研文献处理

从学术论文中提取数据表格内容

保持原始表格的层级关系

library_name: transformers

基于Pubtables和Fintabnet数据集训练的Microsoft Table Transformer表格结构识别模型

若未配置该模型的deepdoctection配置文件，请添加以下代码：

import deepdoctection as dd

dd.ModelCatalog.register("deepdoctection/tatr_tab_struct_v2/pytorch_model.bin", dd.ModelProfile(
    name="deepdoctection/tatr_tab_struct_v2/pytorch_model.bin",
    description="该Table Transformer（DETR）模型基于PubTables1M数据集训练，源自Smock等人发表的论文《Aligning benchmark datasets for table structure recognition》。本模型专用于表格结构识别，输入应为轻微裁剪后的表格图像，可预测行、列及跨单元格。建议使用约5像素的填充边距",
    size=[115511753],
    tp_model=False,
    config="deepdoctection/tatr_tab_struct_v2/config.json",
    preprocessor_config="deepdoctection/tatr_tab_struct_v2/preprocessor_config.json",
    hf_repo_id="deepdoctection/tatr_tab_struct_v2",
    hf_model_name="pytorch_model.bin",
    hf_config_file=["config.json", "preprocessor_config.json"],
    categories={
        "1": dd.LayoutType.table,
        "2": dd.LayoutType.column,
        "3": dd.LayoutType.row,
        "4": dd.CellType.column_header,
        "5": dd.CellType.projected_row_header,
        "6": dd.CellType.spanning,
    },
    dl_library="PT",
    model_wrapper="HFDetrDerivedDetector",
))

在deepdoctection分析器中运行模型时，建议调整以下分割参数以获得更优预测效果：

    import deepdoctection as dd

    analyzer = dd.get_dd_analyzer(reset_config_file=True, config_overwrite=["PT.ITEM.WEIGHTS=deepdoctection/tatr_tab_struct_v2/pytorch_model.bin",
                                                                            "PT.ITEM.FILTER=['table']",
                                                                            "PT.ITEM.PAD.TOP=5",
                                                                            "PT.ITEM.PAD.RIGHT=5",
                                                                            "PT.ITEM.PAD.BOTTOM=5",
                                                                            "PT.ITEM.PAD.LEFT=5",
                                                                            "SEGMENTATION.THRESHOLD_ROWS=0.9",
                                                                            "SEGMENTATION.THRESHOLD_COLS=0.9",
                                                                            "SEGMENTATION.REMOVE_IOU_THRESHOLD_ROWS=0.3",
                                                                            "SEGMENTATION.REMOVE_IOU_THRESHOLD_COLS=0.3",
                                                                            "WORD_MATCHING.MAX_PARENT_ONLY=True"])