# 表格结构模型训练与评估

[PaddleOCR 的表格识别](https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/ppstructure/table/README_ch.md)流程中包含三个模型：表格结构预测模型，单行文本检测模型，单行文本识别模型。我们目前对表格结构预测模型进行了训练。

## 准备数据集

请参考：[数据集准备](./prepare_data.md)

## 准备环境

克隆 PaddleOCR 仓库，进入仓库目录：

```bash
git clone --depth 1 https://github.com/PaddlePaddle/PaddleOCR.git
cd PaddleOCR
```

安装依赖：

```bash
pip install -r requirements.txt
```

PaddleOCR 训练数据的默认存储路径是 `PaddleOCR/train_data`。我们将数据集下载到本地后，可以拷贝数据集或创建软链接到对应目录：

```bash
cp -r /path/to/table-dataset ./train_data/table-dataset
# 或者
ln -sf /path/to/table-dataset ./train_data/table-dataset
```

请将我们的训练脚本 [table_model.sh](./scripts/table_model.sh) 拷贝至 `PaddleOCR/` 路径下。<br>
PaddleOCR 对训练过程做了模块化，如果要训练不同的模型，我们只需要在脚本开头更换配置文件。

## 表格结构预测模型训练与评估

### 训练

以我们目前使用的 SLANet 模型为例（官方文档：[表格识别模型](https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/ppstructure/docs/models_list.md#22-%E8%A1%A8%E6%A0%BC%E8%AF%86%E5%88%AB%E6%A8%A1%E5%9E%8B)，配置文件：[SLANet_ch.yml](https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/configs/table/SLANet_ch.yml)），修改配置文件如下：

```bash
$ cat configs/table/SLANet_ch.yml
Global:
  use_gpu: True
  # 训练轮数
  epoch_num: 400
  # 预训练模型文件
  pretrained_model: ./pretrain_models/ch_ppstructure_mobile_v2.0_SLANet_train/best_accuracy
...

Optimizer:
  name: Adam
  beta1: 0.9
  beta2: 0.999
  clip_norm: 5.0
  lr:
    # 学习率
    learning_rate: 0.001
...

Train:
  dataset:
    name: PubTabDataSet
    # 训练集目录
    data_dir: train_data/table-dataset/artificial
    # 训练集标注文件
    label_file_list: [train_data/table-dataset/artificial/train.txt]
...

Eval:
  dataset:
    name: PubTabDataSet
    # 验证集目录
    data_dir: train_data/table-dataset/artificial/
    # 验证集标注文件
    label_file_list: [train_data/table-dataset/artificial/test.txt]
...
```

其中，学习率 `learning_rate` (记为`lr`) 需要按运行时 `GPU卡数` (记为`GPU_number`) 和 `batch_size_per_card` (记为`batch_size`) 进行调整，公式为：

**lr<sub>new</sub> = lr<sub>default</sub> \* (batch_size<sub>new</sub> \* GPU_number<sub>new</sub>) / (batch_size<sub>default</sub> \* GPU_number<sub>default</sub>)**

PaddleOCR 默认的配置文件对应 **batch_size<sub>default</sub>=8**，**GPU_number<sub>default</sub>=8**。

更详细的参数调整说明，请参考官方文档：[模型微调](https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_ch/finetune.md)。更详细的配置项含义，请参考官方文档：[配置文件内容与生成](https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_ch/config.md)。

训练模型：

```bash
# 单卡训练
./table_model.sh train
# 多卡训练
./table_model.sh train_distr
```

导出模型：

```bash
./table_model.sh export
```

使用导出的模型推理：

```bash
./table_model.sh infer
```

更详细的模型训练，推理，部署说明请参考：[官方文档](https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_ch/table_recognition.md)

### 评估

请参考官方文档的[评估方法](https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_ch/table_recognition.md#3-%E6%A8%A1%E5%9E%8B%E8%AF%84%E4%BC%B0%E4%B8%8E%E9%A2%84%E6%B5%8B)。