Датасет · OleehyO
Изображения и LaTeX-формулы для OCR
OleehyO/latex-formulas
Крупный набор пар изображение—LaTeX для распознавания математических формул.
Что внутри
Датасет содержит изображения формул и соответствующие им LaTeX-разметки для задачи image-to-text. В обновлении 2025 года указано почти 80 млн примеров с улучшенным качеством и разнообразием. На нём обучали модель распознавания формул TeXTelller.
Что можно сделать
- Обучать OCR-модель распознавания формул
- Дообучать vision-language модель image-to-LaTeX
- Тестировать перенос на разные стили формул
- Задачи
- Картинка → текст
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 533
- Лайков
- 103
Модели, обученные на нём
- OleehyO/TexTellerКартинка → текст 8,6 тыс.
- Ji-Ha/TexTeller3-ONNX-dynamic 354
- onnx-community/TexTeller3-ONNXКартинка → текст 270
- DGurgurov/im2latexКартинка → текст 143
- onnx-community/TexTeller-ONNXКартинка → текст 112
- lamm-mit/Cephalo-Phi-3-MoE-vision-128k-3x4b-betaКартинка + текст 36
- lamm-mit/Cephalo-LaTeX-Phi-3-vision-128k-4b-alphaКартинка → текст 31
- Matthijs0/im2latex_baseКартинка → текст 29
Как загрузить
from datasets import load_dataset
ds = load_dataset("OleehyO/latex-formulas")