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")