К содержимому

Датасет · Delores-Lin

Бенчмарк мультиязычного парсинга документов

Delores-Lin/MDPBench

Первый бенчмарк для оценки распознавания и разбора реальных цифровых и сфотографированных документов на 6 языках.

Что внутри

Внутри собраны цифровые и сфотографированные документы с текстом на шести языках: китайском, английском, арабском, немецком, испанском и французском. Датасет создан как систематический тест для проверки моделей в реальных, а не стерильных условиях с разными системами письма.

Что можно сделать

  • Оценка качества мультимодальных моделей и OCR-систем на сложных сканах и фото
  • Сравнение точности разбора документов на разных языках и письменностях
Задачи
Картинка → текст
Языки
Китайский, Английский, Арабский, Немецкий, Испанский, Французский, Хинди, Индонезийский и ещё 4
Скачиваний за месяц
6,3 тыс.
Лайков
60

Как загрузить

from datasets import load_dataset

ds = load_dataset("Delores-Lin/MDPBench")