开源识别表格的模型有很多，以下是一些常用的开源识别表格的模型：
1. TensorFlow：这是一个由Google开发的开源机器学习框架，广泛应用于深度学习领域。它提供了丰富的预训练模型和工具，可以用于识别表格数据。例如，可以使用TensorFlow构建一个卷积神经网络（CNN）模型来识别手写数字和字母。
2. Keras：Keras是一个高级神经网络API，类似于TensorFlow，但它更加简洁和易用。Keras支持多种类型的模型，包括卷积神经网络、循环神经网络等，可以用于识别表格数据。例如，可以使用Keras构建一个卷积神经网络模型来识别手写数字和字母。
3. PyTorch：PyTorch是一个基于Python的开源神经网络库，具有高性能和灵活性。PyTorch提供了许多预训练模型，可以用于识别表格数据。例如，可以使用PyTorch构建一个卷积神经网络模型来识别手写数字和字母。
4. Scikit-learn：Scikit-learn是一个用于数据分析和建模的Python库，提供了许多常用的机器学习算法和模型。Scikit-learn也提供了一些预训练的模型，可以用于识别表格数据。例如，可以使用Scikit-learn构建一个支持向量机（SVM）模型来识别手写数字和字母。
5. LabelBox：LabelBox是一个基于Python的开源文本处理库，可以用于识别表格数据。LabelBox提供了一些预训练的模型，可以用于识别表格数据。例如，可以使用LabelBox构建一个卷积神经网络模型来识别手写数字和字母。
6. OpenCV：OpenCV是一个开源的计算机视觉库，可以用于图像处理和识别。OpenCV提供了一些预训练的模型，可以用于识别表格数据。例如，可以使用OpenCV构建一个边缘检测器（Hough Transform）模型来识别手写数字和字母。
7. YOLOv3：YOLOv3是一个基于深度学习的目标检测算法，可以用于识别表格数据。YOLOv3使用卷积神经网络进行特征提取和目标检测，可以快速准确地识别表格数据。例如，可以使用YOLOv3构建一个YOLOv3模型来识别手写数字和字母。
8. Faster R-CNN：Faster R-CNN是一个基于深度学习的目标检测算法，可以用于识别表格数据。Faster R-CNN使用卷积神经网络进行特征提取和目标检测，可以快速准确地识别表格数据。例如，可以使用Faster R-CNN构建一个Faster R-CNN模型来识别手写数字和字母。
9. MobileNetSSD：MobileNetSSD是一个轻量级的深度神经网络模型，可以用于识别表格数据。MobileNetSSD具有高速度和低内存消耗的特点，适用于移动设备和嵌入式系统。例如，可以使用MobileNetSSD构建一个MobileNetSSD模型来识别手写数字和字母。
10. VGGFace：VGGFace是一个基于VGG网络架构的人脸识别模型，可以用于识别表格数据。VGGFace具有较好的特征提取能力和较高的准确率，适用于人脸识别任务。例如，可以使用VGGFace构建一个VGGFace模型来识别手写数字和字母。
这些开源识别表格的模型各有特点，可以根据具体需求选择合适的模型进行应用。
