图文内容排版规范性标注训练数据

本数据面向内容平台、品牌营销方和商家图文发布场景，适用于检测图文页面中的文字溢出、元素遮挡、间距异常、对齐异常和颜色对比不足。通过提取页面元素区域并计算重叠、溢出、对齐、间距和文字背景对比特征，可形成排版问题类型和规范性标签，为页面质量检测、内容发布校验和模型训练提供结构化数据。使用时需提供能够辨认文本框、图片框、标题框、按钮和分割线的页面截图。数据使用方可结合元素类型、区域坐标、五类排版特征、问题类型和规范性标签分析异常原因，训练页面元素定位及排版分类模型，并分别评价不同问题类型下的检测结果。一、加工前的数据说明： 原始数据来源于企业自有内容平台的图文发布页面及截图，原始字段包括记录编号、内容类别、原始图片和原始文本。 二、处理规则： 1.数据清洗：按记录编号去重，删除图片或文本缺失、页面无法辨认及与任务无关的记录；统一文本编码，对截图进行方向校正并缩放到800×600像素处理画布。 2.特征计算：版面解析模型识别文本框、图片框、标题框、按钮和分割线，输出元素区域坐标及识别置信度；计算元素重叠率、边界溢出量、对齐偏差、间距偏差率和文字背景对比度。间距偏差率=|实际间距-基准间距|/基准间距，文字背景对比度为文字与背景灰度差的绝对值。 3.算法标注：按元素遮挡、文字溢出、对齐异常、颜色对比不足、间距异常的顺序判定。元素重叠率≥0.25为元素遮挡；边界溢出量＞0像素时按本数据的统一分类记为文字溢出，用于表示页面元素超出处理画布边界；对齐偏差≥8像素为对齐异常；文字背景对比度≤100为颜色对比不足；其余记录中间距偏差率≥0.15为间距异常；均未命中为规范。规范标注为规范，其余标注为不规范。 4.算法校验：逐条校验坐标顺序、数值范围、问题类型和规范性标签一致性。按页面匿名编号分组后约8:1:1划分训练集、验证集和测试集，保证同一页面不跨集合出现。 三、数据内容描述： 最终形成结构化数据集合，包含以下字段：1）样本编号：样本匿名唯一标识；2）页面匿名编号：页面去标识化编号；3）内容类别：图文内容；4）页面截图编号：页面截图匿名标识；5）元素类型：文本框、图片框、标题框、按钮或分割线；6）元素区域坐标：元素在800×600画布中的坐标范围；7）元素重叠率：元素与其他元素的重叠比例；8）边界溢出量(像素)：元素超出画布边界的最大像素量；9）对齐偏差(像素)：元素相对基准线的偏差；10）间距偏差率：实际间距相对基准间距的偏差比例；11）文字背景对比度：文字与背景的灰度差；12）排版问题类型：规范、元素遮挡、文字溢出、对齐异常、颜色对比不足或间距异常，其中文字溢出为页面元素超出画布边界的统一分类名称；13）排版规范性标签：规范或不规范；14）识别置信度：版面解析模型输出的置信度；15）数据集划分标识：训练集、验证集或测试集。

搜集汇总

背景与挑战

背景概述

该数据集面向内容平台、品牌营销方和商家图文发布场景，提供图文内容排版规范性标注训练数据，用于检测文字溢出、元素遮挡、间距异常、对齐异常和颜色对比不足等问题。数据通过识别文本框、图片框、标题框、按钮和分割线，计算元素重叠率、边界溢出量、对齐偏差、间距偏差率和文字背景对比度等特征，生成排版问题类型和规范性标签，共包含1920条结构化样本及15个字段。数据按页面匿名编号以约8:1:1划分训练集、验证集和测试集，可用于页面质量检测、内容发布校验以及页面元素定位与排版分类模型训练。