К содержимому

Датасет · HuggingFaceM4

Мультимодальный датасет по распознаванию документов

HuggingFaceM4/DoclingMatix

От 1 до 10 млн пар «изображение документа — текст» на английском для обучения VLM-моделей.

Что внутри

Крупный мультимодальный датасет от HuggingFaceM4 на английском языке объёмом от 1 до 10 миллионов записей, объединяющий изображения и текст. Он создан путём переработки корпуса Docmatix специально для обучения компактной модели SmolDocling сквозной конвертации документов.

Что можно сделать

  • Обучение и дообучение мультимодальных моделей (VLM) для парсинга и OCR документов
  • Тренировка моделей ответов на вопросы по сканам и страницам (Visual Question Answering)
Задачи
Вопросы по картинкам, Картинка + текст
Языки
Английский
Размер
1M–10M записей
Скачиваний за месяц
3,2 тыс.
Лайков
58

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("HuggingFaceM4/DoclingMatix")