К содержимому

Датасет · jordanparker6

Разметка структуры страниц научных статей

jordanparker6/publaynet

Изображения страниц из PubMed Central с разметкой блоков вёрстки для распознавания структуры документов.

Что внутри

Датасет содержит от 10 до 100 тысяч изображений страниц англоязычных научных статей из открытой коллекции PubMed Central. Для каждого документа разметка верстки задана ограничивающими рамками (bounding boxes) и полигональной сегментацией. Аннотации сгенерированы автоматически путём сопоставления PDF и XML версий статей.

Что можно сделать

  • Обучение моделей анализа макета документов (Document Layout Analysis)
  • Улучшение систем OCR и парсинга научных PDF-файлов
Задачи
Картинка → текст
Языки
Английский
Размер
10K–100K записей
Скачиваний за месяц
4,4 тыс.
Лайков
40

Как загрузить

from datasets import load_dataset

ds = load_dataset("jordanparker6/publaynet")