К содержимому

Датасет · datalab-to

Бенчмарк для парсинга документов и таблиц

datalab-to/omni_parse_bench

Набор из 16 288 тестов на 2 937 страницах для оценки точности распознавания текста, таблиц и верстки.

Что внутри

Бенчмарк содержит изображения страниц документов и текстовые данные для проверки систем парсинга, общий размер в метаданных указан в диапазоне от 100 тыс. до 1 млн записей. Внутри собраны 16 288 тестовых заданий на 2 937 страницах, по которым сравнивается качество извлечения текста, таблиц и структуры макета.

Что можно сделать

  • Оценка качества мультимодальных моделей и OCR-систем при разборе сложных документов
  • Сравнение точности извлечения таблиц и сохранения структуры верстки у разных парсеров
Задачи
Картинка → текст
Размер
100K–1M записей
Скачиваний за месяц
7,1 тыс.
Лайков
22

Как загрузить

from datasets import load_dataset

ds = load_dataset("datalab-to/omni_parse_bench")