К содержимому

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")