jp1924/PublicAdministrationDocumentOCR

该数据集主要包含图像数据及其相关的元数据。图像数据包括图像的制造商代码、制造年份、类别、宽度、高度、文件名和创建时间等信息。对象信息部分则包括对象的ID、文本、边界框和元数据（如类型和文本类型）。数据集分为训练集和验证集，训练集包含880,529个样本，验证集包含11,396个样本。

原始信息汇总

数据集概述

数据集信息

特征

• image: 图像数据，数据类型为 image。
• meta_data: 元数据列表，包含以下字段：
  • image.make.code: 图像制造商代码，数据类型为 string。
  • image.make.year: 图像制造年份，数据类型为 string。
  • image.category: 图像类别，数据类型为 string。
  • image.width: 图像宽度，数据类型为 int32。
  • image.height: 图像高度，数据类型为 int32。
  • image.file.name: 图像文件名，数据类型为 string。
  • image.create.time: 图像创建时间，数据类型为 string。
• objects: 对象列表，包含以下字段：
  • id: 对象ID，数据类型为 int32。
  • text: 文本内容，数据类型为 string。
  • bbox: 边界框，数据类型为 list 的 int32。
  • meta: 元数据结构，包含以下字段：
    • type: 类型，数据类型为 string。
    • text_type: 文本类型，数据类型为 string。

数据分割

• train: 训练集，包含 880529 个样本，大小为 536874260600.875 字节。
• validation: 验证集，包含 11396 个样本，大小为 9860927959.5 字节。

数据集大小

• 下载大小: 457135087370 字节。
• 数据集大小: 546735188560.375 字节。

配置

• default: 默认配置，包含以下数据文件路径：
  • train: data/train-*
  • validation: data/validation-*