Датасет · opendatalab
OmniDocBench: парсинг документов
opendatalab/OmniDocBench
Бенчмарк из 1651 PDF-страницы для оценки парсинга документов разных типов и языков.
Что внутри
OmniDocBench — оценочный датасет для разбора документов в реальных условиях. В него входят 1651 PDF-страница, 10 типов документов, 5 типов вёрстки и 5 языковых типов. Покрыты научные статьи, отчёты, газеты, учебники, экзаменационные работы, журналы, рукописные и исторические документы. Есть богатые аннотации.
Что можно сделать
- Оценка OCR/парсинга документов
- Тестирование vision-language моделей на документах
- Сравнение layout-анализа
- Размер
- 1K–10K записей
- Скачиваний за месяц
- 74,5 тыс.
- Лайков
- 123
Как загрузить
from datasets import load_dataset
ds = load_dataset("opendatalab/OmniDocBench")