SLANet plus表格识别模型微调之后效果很差

[Sherryran08]

Checklist:

• 查找历史相关issue寻求解答
• 翻阅FAQ
• 翻阅PaddleX 文档
• 确认bug是否在新版本里还未修复

描述问题

复现

1. 您是否已经正常运行我们提供的教程？

2. 您是否在教程的基础上修改代码内容？还请您提供运行的代码

3. 您使用的数据集是？

4. 请提供您出现的报错信息及相关log

环境

1. 请提供您使用的PaddlePaddle和PaddleX的版本号
   PaddlePaddle：3.0.0b1；PaddleX：3.0.0b2
2. 请提供您使用的操作系统信息，如Linux/Windows/MacOS
   Linux
3. 请问您使用的Python版本是？
   3.10
4. 请问您使用的CUDA/cuDNN的版本号是？
   12.2

使用的数据集为pubtables-1m数据集，已经数据格式转化为指定输入格式，数据量为2w，微调效果如下，感觉bbox变宽且位置不准确，比微调之前性能下降很多，训练时在验证集上的best acc只有0.7949999996025，微调参数为：

微调之前推理效果：

微调之后推理效果：

此外，还尝试了使用自己标注的无线表数据1000张进行微调，效果也很差

[cuicheng01]

数据可能有点少，需要再多加很多数据

[Sherryran08]

参考了之前别人使用好未来的数据集1.6w数据微调SLANet之后效果不错，https://github.com/PaddlePaddle/PaddleOCR/issues/8761；
并且官方上给的教程是1-2k数据微调即可，https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6.1/doc/doc_ch/table_recognition.md#1-%E6%95%B0%E6%8D%AE%E5%87%86%E5%A4%87

有点疑惑哪一个是正确的参考标准，如果需要再多加很多数据，多少数据量比较合适

[liu-jiaxuan]

数据量和数据质量都比较重要，需要使用与测试集数据类型相似的表格图片作为训练集，如果差距较大（例如训练集大部分为简单表格，而测试集却是较复杂的无线表），就会导致模型性能下降的问题，因此建议先把控好训练集质量，高质量的2w数据预期也能提升模型性能。