К содержимому

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")