К содержимому

Датасет · PaddlePaddle

Бенчмарк парсинга искажённых документов

PaddlePaddle/Real5-OmniDocBench

Набор изображений документов с физическими искажениями для проверки устойчивости систем OCR и парсинга.

Что внутри

Внутри находятся 6 775 изображений документов на английском и китайском языках. Это 1 355 страниц из OmniDocBench v1.5, воссозданных в пяти реальных условиях съёмки: сканирование, деформация, фото с экрана, разное освещение и наклон.

Что можно сделать

  • Оценка устойчивости моделей OCR и извлечения текста к реальным дефектам съёмки
  • Тестирование VLM-систем парсинга документов в сложных условиях
  • Сравнение алгоритмов выравнивания и предобработки сканов и фотографий
Задачи
Картинка → текст
Языки
Китайский, Английский
Размер
1K–10K записей
Скачиваний за месяц
21,5 тыс.
Лайков
43

Как загрузить

from datasets import load_dataset

ds = load_dataset("PaddlePaddle/Real5-OmniDocBench")