Датасет · allenai
Бенчмарк OCR для PDF в Markdown
allenai/olmOCR-bench
1 403 PDF и 7 010 тестов для проверки OCR-систем на перевод PDF в Markdown с сохранением структуры.
Что внутри
olmOCR-bench содержит 1 403 PDF-файла и 7 010 unit-тестов, которые отражают свойства качественного вывода OCR. Бенчмарк проверяет, насколько точно система конвертирует PDF в Markdown, сохраняя текст и структуру. Язык — английский, модальности — document и text.
Что можно сделать
- Оценить OCR-систему на PDF→Markdown
- Сравнить пайплайны распознавания документов
- Проверить сохранение структуры в OCR-выводе
- Языки
- Английский
- Размер
- 1K–10K записей
- Скачиваний за месяц
- 40,6 тыс.
- Лайков
- 323
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("allenai/olmOCR-bench")