К содержимому

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")