Датасет · bevaya
PubMed-OCR: разметка научных PDF
bevaya/pubmed-ocr
OCR-разметка страниц PubMed Central с bounding boxes для layout-aware задач.
Что внутри
Корпус научных статей из PubMed Central Open Access PDFs: каждая страница отрендерена в изображение и размечена Google Cloud Vision OCR. Разметка в компактном JSON со bounding boxes на уровне слов, строк и абзацев. Масштаб: 209,5 тыс. статей, около 1,5 млн страниц и 1,3 млрд OCR-токенов; язык английский.
Что можно сделать
- Обучение OCR и layout-aware моделей
- Coordinate-grounded QA по страницам
- Извлечение текста из научных PDF
- Задачи
- Картинка → текст, Картинка + текст
- Языки
- Английский
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 2,2 тыс.
- Лайков
- 73
Как загрузить
from datasets import load_dataset
ds = load_dataset("bevaya/pubmed-ocr")