关键信息抽取数据集

这里整理了常见的关键信息抽取数据集，持续更新中，欢迎各位小伙伴贡献数据集～

• FUNSD数据集
• XFUND数据集
• wildreceipt数据集

1. FUNSD数据集

• 数据来源：https://guillaumejaume.github.io/FUNSD/
• 数据简介：FUNSD数据集是一个用于表单理解的数据集，它包含199张真实的、完全标注的扫描版图片，类型包括市场报告、广告以及学术报告等，并分为149张训练集以及50张测试集。FUNSD数据集适用于多种类型的DocVQA任务，如字段级实体分类、字段级实体连接等。部分图像以及标注框可视化如下所示:

图中，橙色区域代表`header`，淡蓝色区域代表`question`, 绿色区域表`answer`，粉红色代区域表`other`。

• 下载地址：https://guillaumejaume.github.io/FUNSD/download/

2. XFUND数据集

• 数据来源：https://github.com/doc-analysis/XFUND
• 数据简介：XFUND是一个多语种表单理解数据集，它包含7种不同语种的表单数据，并且全部用人工进行了键-值对形式的标注。其中每个语种的数据都包含了199张表单数据，并分为149张训练集以及50张测试集。部分图像以及标注框可视化如下所示:

• 下载地址：https://github.com/doc-analysis/XFUND/releases/tag/v1.0

3. wildreceipt数据集

• 数据来源：https://arxiv.org/abs/2103.14470
• 数据简介：wildreceipt数据集是英文发票数据集，包含26个类别（此处类别体系包含Ignore类别），共标注了50000个文本框。其中训练集包含1267张图片，测试集包含472张图片。部分图像以及标注框可视化如下所示:

注： 这里对于类别为Ignore或者Others的文本，没有进行可视化。

• 下载地址：
  • 原始数据下载地址：链接
  • 数据格式转换后适配于PaddleOCR训练的数据下载地址：链接