Датасет · OleehyO
Крупный корпус изображений с LaTeX-формулами
OleehyO/latex-formulas-80M
Десятки миллионов пар из картинок и LaTeX-разметки для обучения моделей распознавания формул.
Что внутри
Датасет содержит от 10 до 100 миллионов примеров, включающих изображения формул и их текстовое представление в формате LaTeX (связан с проектом TexTeller). Часть с рукописными формулами собрана из открытых источников и включает тестовые выборки, поэтому требует самостоятельной фильтрации.
Что можно сделать
- Обучение OCR-моделей для перевода скриншотов формул в код LaTeX
- Дообучение мультимодальных моделей (VLM) пониманию научной графики
- Размер
- 10M–100M записей
- Скачиваний за месяц
- 17,6 тыс.
- Лайков
- 29
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("OleehyO/latex-formulas-80M")