Real World Documents Collections

kaggle2020-07-06 更新2024-03-11 收录

文档分析

跨领域数据集

数据链接：

https://www.kaggle.com/datasets/shaz13/real-world-documents-collections 数据链接链接失效反馈

官方服务：

资源简介：

A document type collection from various public datasets

源自各类公开数据集的文档类型集合（document type collection）

创建时间：

2020-07-06

CommonForms

文档分析

机器学习

CommonForms是一个大规模、多样化的表单字段检测数据集，包含来自Common Crawl的超过59,000个文档和超过480,000个页面。该数据集通过筛选Common Crawl中的PDF文档，找出具有可填写元素的文档，并进行清洗和过滤，最终得到一个包含丰富语言和领域混合的数据集。CommonForms数据集旨在为表单字段检测提供高质量的训练数据，并支持开源模型FFDNet的训练和发布。

arXiv2025-09-20 更新390

xandery/OpenDocVQA-Corpus-Extended

视觉问答

文档分析

该数据集包含文档ID、图片以及数据集名称，适用于机器学习模型的训练。数据集分为训练集，包含24646个样本，总大小超过6GB。

Hugging Face2025-11-06 更新250

llamaindex/fintabnet-val-table-benchmark-easy

表格识别

文档分析

--- dataset_info: features: - name: filename dtype: string - name: split dtype: string - name: imgid dtype: int64 - name: dataset dtype: string - name: cells list:

Hugging Face2025-12-03 更新170

nvidia/Nemotron-Cascade-SFT-Stage-1

监督微调

跨领域数据集

Nemotron-Cascade-SFT-Stage-1数据集用于Nemotron-Cascade项目的监督微调（SFT）第一阶段。该数据集涵盖数学、代码、科学和通用领域，利用了广泛多样的数据源。数学领域包含来自OpenMathReasoning和NuminaMath-CoT的问题；代码领域包含来自OpenCodeReasoning、MagicoderEvolInstruct等多个来源的提示；科学

Hugging Face2025-12-18 更新270

ml-datasets

机器学习

跨领域数据集

精选的尼泊尔研究人员机器学习数据集列表，涵盖音频、灾难、金融、地理、健康、实时传感器数据、图像和文本等多个领域。

github2024-05-19 更新250