katphlab/doclaynet

该数据集包含两个配置：all和table。每个配置都包含图像、类别ID、图像ID、边界框、宽度、高度、文件名、OCR单词和OCR边界框等特征。数据集被分为训练集、验证集和测试集，每个分割都有相应的文件大小和示例数量。all配置的训练集包含69368个示例，验证集包含6488个示例，测试集包含4992个示例。table配置的训练集包含18264个示例，验证集包含1472个示例，测试集包含1432个示例。

The dataset contains two configurations: all and table. Each configuration includes features such as images, category IDs, image IDs, bounding boxes, width, height, file names, OCR words, and OCR bounding boxes. The dataset is divided into training, validation, and test sets, with each split having corresponding file sizes and number of examples. The all configurations training set contains 69,368 examples, the validation set contains 6,488 examples, and the test set contains 4,992 examples. The table configurations training set contains 18,264 examples, the validation set contains 1,472 examples, and the test set contains 1,432 examples.

原始信息汇总

数据集概述

基本信息

• 名称: doclaynet
• 描述: katphlab/doclaynet 数据集托管在 HF Mirror 并由 HF Datasets 社区贡献
• 别名: katphlab/doclaynet
• 创建者: Katph
• 关键词: 100K - 1M, parquet, Image, Text, Datasets, Dask, Croissant, 🇺🇸 Region: US
• URL: https://hf-mirror.com/datasets/katphlab/doclaynet

数据集分布

• 类型: 文件对象和文件集
• 格式: Parquet
• 内容: 包含多个子集和字段

子集和字段

子集 all

• 描述: katphlab/doclaynet - all 子集
  • 3 个分割: val, test, train
  • 4 个跳过的列: category_ids, boxes, ocr_words, ocr_boxes
• 字段:
  • all/image: 图像列 image 来自 HF Mirror Parquet 文件
  • all/image_id: 列 image_id 来自 HF Mirror Parquet 文件
  • all/width: 列 width 来自 HF Mirror Parquet 文件
  • all/height: 列 height 来自 HF Mirror Parquet 文件
  • all/file_name: 列 file_name 来自 HF Mirror Parquet 文件

子集 table

• 描述: katphlab/doclaynet - table 子集
  • 3 个分割: val, test, train
  • 4 个跳过的列: category_ids, boxes, ocr_words, ocr_boxes
• 字段:
  • table/image: 图像列 image 来自 HF Mirror Parquet 文件
  • table/image_id: 列 image_id 来自 HF Mirror Parquet 文件
  • table/width: 列 width 来自 HF Mirror Parquet 文件
  • table/height: 列 height 来自 HF Mirror Parquet 文件
  • table/file_name: 列 file_name 来自 HF Mirror Parquet 文件

数据集规范

• 符合标准: http://mlcommons.org/croissant/1.0