ocr-table/docs/train_and_eval.md

表格结构模型训练与评估

表格识别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。
官方文档：表格识别

准备数据集

请参考：数据集准备

准备环境

克隆 PaddleOCR 仓库，进入仓库目录：

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

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：

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 拷贝至 PaddleOCR/ 路径下。
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，配置文件：SLANet_ch.yml），修改配置文件如下：

$ cat configs/table/SLANet_ch.yml
Global:
  use_gpu: True
  # 修改训练轮数
  epoch_num: 400
  # 修改为实际的预训练模型文件
  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:
    # 修改学习率
    learning_rate: 0.001
...

Train:
  dataset:
    name: PubTabDataSet
    # 修改为实际训练集的目录
    data_dir: train_data/table-dataset/artificial
    # 修改为实际训练集的标签文件
    label_file_list: [train_data/table-dataset/artificial/train.txt]
...

Eval:
  dataset:
    name: PubTabDataSet
    # 修改为实际验证集的目录
    data_dir: train_data/table-dataset/artificial/
    # 修改为实际验证集的标签文件
    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_new = lr_default * (batch_size_new * GPU_number_new) / (batch_size_default * GPU_number_default)

PaddleOCR 默认的配置文件对应 batch_size_default=8，GPU_number_default=8。

更详细的参数调整说明，请参考官方文档：模型微调。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。

训练模型：

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

导出模型：

./table_model.sh export

使用导出的模型推理：

./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

评估

请参考官方文档的评估方法。