apoidea/pubtabnet-html

该数据集包含图像、分割信息、图像ID、HTML内容和HTML表格等特征。数据集分为训练集和验证集，训练集包含500,777个样本，验证集包含9,115个样本。数据集适用于视觉问答、图像到文本和文本生成等任务。

This dataset contains features such as images, split information, image IDs, HTML content, and HTML tables. The dataset is divided into a training set and a validation set, with the training set containing 500,777 samples and the validation set containing 9,115 samples. The dataset is suitable for tasks such as visual question answering, image-to-text, and text generation.

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。
• split: 数据集划分，数据类型为 string。
• imgid: 图像ID，数据类型为 int64。
• html: HTML文本，数据类型为 string。
• html_table: HTML表格文本，数据类型为 string。

数据集划分

• train: 训练集，包含 500,777 个样本，总大小为 15,732,054,970.435 字节。
• validation: 验证集，包含 9,115 个样本，总大小为 301,560,306.7 字节。

数据集大小

• 下载大小: 12,753,439,330 字节。
• 总大小: 16,033,615,277.135 字节。

配置

• config_name: default
  • data_files:
    • train: data/train-*
    • validation: data/validation-*

许可证

• license: cdla-permissive-1.0

任务类别

• visual-question-answering: 视觉问答
• image-to-text: 图像到文本
• text-generation: 文本生成

数据集规模

• size_categories: 100K<n<1M