de-Rodrigo/merit

MERIT数据集是一个多模态数据集（图像+文本+布局），旨在训练和基准测试大型语言模型（LLMs）在视觉丰富文档理解（VrDU）任务上的性能。该数据集是完全标注的合成数据集，涵盖了学校成绩单的记录，适合用于令牌分类或序列生成任务。数据集包含多个配置，分别针对英语和西班牙语，每个配置都有训练、测试和验证集。

The MERIT Dataset is a multimodal dataset (image + text + layout) designed for training and benchmarking Large Language Models (LLMs) on Visually Rich Document Understanding (VrDU) tasks. It is a fully labeled synthetic dataset and covers school transcripts of records, suitable for Token Classification or Sequence Generation. The dataset includes multiple configurations for English and Spanish, each with training, testing, and validation sets.

原始信息汇总

数据集概述

基本信息

• 名称: merit
• 别名: de-Rodrigo/merit
• 描述: The MERIT Dataset 是一个多模态数据集（图像 + 文本 + 布局），专为在视觉丰富的文档理解（VrDU）任务上训练和基准测试大型语言模型（LLMs）而设计。这是一个完全标记的合成数据集，您可以在 GitHub 上访问生成管道。
• 创建者: de Rodrigo
• 许可证: MIT
• 关键词:
  • token-classification
  • image-to-text
  • English
  • Spanish
  • mit
  • 10K - 100K
  • parquet
  • Image
  • Text
  • Datasets
  • Dask
  • Croissant
  • 🇺🇸 Region: US
  • Synthetic

数据集结构

• 分布:
  • repo:
    • 描述: The HF Mirror git repository.
    • 内容 URL: https://hf-mirror.com/datasets/de-Rodrigo/merit/tree/refs%2Fconvert%2Fparquet
    • 编码格式: git+https
  • parquet-files-for-config-en-digital-seq:
    • 描述: The underlying Parquet files as converted by HF Mirror.
    • 包含于: repo
    • 编码格式: application/x-parquet
    • 包含: en-digital-seq//.parquet
  • parquet-files-for-config-en-render-seq:
    • 描述: The underlying Parquet files as converted by HF Mirror.
    • 包含于: repo
    • 编码格式: application/x-parquet
    • 包含: en-render-seq//.parquet
  • parquet-files-for-config-es-digital-seq:
    • 描述: The underlying Parquet files as converted by HF Mirror.
    • 包含于: repo
    • 编码格式: application/x-parquet
    • 包含: es-digital-seq//.parquet
  • parquet-files-for-config-es-render-seq:
    • 描述: The underlying Parquet files as converted by HF Mirror.
    • 包含于: repo
    • 编码格式: application/x-parquet
    • 包含: es-render-seq//.parquet

记录集

• en-digital-seq:
  • 描述: de-Rodrigo/merit - en-digital-seq subset
  • 字段:
    • en-digital-seq/image:
      • 描述: Image column image from the HF Mirror parquet file.
      • 数据类型: sc:ImageObject
    • en-digital-seq/ground_truth:
      • 描述: Column ground_truth from the HF Mirror parquet file.
      • 数据类型: sc:Text
• en-render-seq:
  • 描述: de-Rodrigo/merit - en-render-seq subset
  • 字段:
    • en-render-seq/image:
      • 描述: Image column image from the HF Mirror parquet file.
      • 数据类型: sc:ImageObject
    • en-render-seq/ground_truth:
      • 描述: Column ground_truth from the HF Mirror parquet file.
      • 数据类型: sc:Text
• es-digital-seq:
  • 描述: de-Rodrigo/merit - es-digital-seq subset
  • 字段:
    • es-digital-seq/image:
      • 描述: Image column image from the HF Mirror parquet file.
      • 数据类型: sc:ImageObject
    • es-digital-seq/ground_truth:
      • 描述: Column ground_truth from the HF Mirror parquet file.
      • 数据类型: sc:Text
• es-render-seq:
  • 描述: de-Rodrigo/merit - es-render-seq subset
  • 字段:
    • es-render-seq/image:
      • 描述: Image column image from the HF Mirror parquet file.
      • 数据类型: sc:ImageObject
    • es-render-seq/ground_truth:
      • 描述: Column ground_truth from the HF Mirror parquet file.
      • 数据类型: sc:Text