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")