OCRFlux-pubtabnet-single

# OCRFlux-pubtabnet-single
OCRFlux-pubtabnet-single is a benchmark of 9064 table images and their corresponding ground-truth HTML, which are derived from the public [PubTabNet](https://github.com/ibm-aur-nlp/PubTabNet) benchmark with some format transformations.

This dataset can be used to measure the performance of OCR systems in single-page table parsing.

Quick links:
- 🤗 [Model](https://huggingface.co/ChatDOC/OCRFlux-3B)
- 🛠️ [Code](https://github.com/chatdoc-com/OCRFlux)

## Data Mix

## Table 1: Tables breakdown by complexity (whether they contain rowspan or colspan cells)
| Complexity | Number |
|--------|-------------|
| Simple | 4623 |
| Complex | 4441 |
| **Total** | **9064** |

## Data Format

Each row in the dataset corresponds to a table image and its corresponding ground-truth HTML.

Different from the original PubTabNet dataset, we do not distinguish cells in the table headers and table bodies, which means there are no `<thead>` and `<tbody>` tags, and all `<th>` tags are replaced by `<td>` tags.

### Features:
```python
{
'image_name': string, # Name of the table image
'type': string, # "simple" or "complex"
'gt_table': string, # Ground-truth HTML of the table
}
```

## License
This dataset is licensed under Apache-2.0.

# OCRFlux-pubtabnet-single
OCRFlux-pubtabnet-single 是一款包含9064张表格图像及其对应真值（ground-truth）HTML的基准数据集，其源自公开的PubTabNet基准数据集，并经过了部分格式转换。

该数据集可用于评估光学字符识别（Optical Character Recognition，OCR）系统在单页表格解析任务中的性能。

快速链接：
- 🤗 [模型](https://huggingface.co/ChatDOC/OCRFlux-3B)
- 🛠️ [代码](https://github.com/chatdoc-com/OCRFlux)

## 数据构成

## 表1：按复杂度划分的表格统计（是否包含跨行或跨列单元格）
| 复杂度 | 数量 |
|--------|-------------|
| 简单 | 4623 |
| 复杂 | 4441 |
| **总计** | **9064** |

## 数据格式

数据集中的每一条样本对应一张表格图像及其对应的真值HTML。

与原始PubTabNet数据集不同，本数据集不对表格表头与表体中的单元格进行区分，即不使用`<thead>`与`<tbody>`标签，且所有`<th>`标签均替换为`<td>`标签。

### 字段说明
python
{
'image_name': string, # 表格图像的文件名
'type': string, # 取值为"simple"或"complex"
'gt_table': string, # 表格的真值HTML
}

## 许可协议

本数据集采用Apache-2.0开源许可协议。

搜集汇总

背景与挑战

背景概述

OCRFlux-pubtabnet-single是一个包含9064张表格图像及其HTML标注的基准数据集，源自PubTabNet并经过格式转换，适用于评估单页表格解析的OCR系统性能。该数据集将表格分为简单和复杂两类，并统一使用<td>标签表示单元格，遵循Apache-2.0许可证。