Датасет · GreenNode
Синтетические страницы документов для OCR
GreenNode/GreenOCR-Dataset
Сгенерированные страницы на вьетнамском и английском с разметкой блоков для обучения парсинга документов.
Что внутри
Внутри от 1 000 до 10 000 синтетических страниц документов на вьетнамском и английском языках, а также их аугментированные версии с имитацией сканов, съёмки на телефон и старой бумаги. Для каждой страницы дана точная разметка: полигоны текстовых блоков, их содержимое и готовый таргет в формате LightOnOCR-3.
Что можно сделать
- Обучение или дообучение OCR и моделей парсинга структуры документов
- Дообучение мультимодальных моделей (VLM) для извлечения текста с привязкой к координатам
- Тестирование устойчивости распознавания к артефактам сканирования и плохому качеству фото
- Задачи
- Картинка → текст, Картинка + текст
- Языки
- Вьетнамский, Английский
- Размер
- 1K–10K записей
- Скачиваний за месяц
- 49,8 тыс.
- Лайков
- 1
- Доступ
- по запросу на Hugging Face
Как загрузить
from datasets import load_dataset
ds = load_dataset("GreenNode/GreenOCR-Dataset")