Датасет · pixparse

PDF-страницы для vision-language моделей

pixparse/pdfa-eng-wds

Англоязычные PDF-страницы из SafeDocs с разметкой для обучения и оценки OCR и vision-language моделей.

Что внутри

PDFA — подмножество корпуса SafeDocs (CC-MAIN-2021-31-PDF-UNTRUNCATED), отфильтрованное для машинного обучения. В карточке указано, что это документный датасет с примером страницы PDF и добавленной разметкой bounding boxes. Данные на английском, модальность text и задача image-to-text, размер от 1K до 10K.

Что можно сделать

Обучение OCR-моделей на PDF
Fine-tuning vision-language моделей для документов
Проверка извлечения текста и layout из PDF

Задачи: Картинка → текст
Языки: Английский
Размер: 1K–10K записей
Скачиваний за месяц: 13,8 тыс.
Лайков: 167

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("pixparse/pdfa-eng-wds")

Открыть на Hugging Face