arnaudstiegler/synthetic_us_passports_hard

Synthetic US Passports (Hard)数据集旨在通过使用一种众所周知且简单的文档类型——护照，来评估视觉语言模型（VLMs）的转录能力。具体来说，它要求VLMs能够处理倾斜的文档、高分辨率图像中感兴趣区域较小的情况（因为护照只占图像的一部分），并且在硬版本中，通过Augraphy包注入噪声，使得转录任务更加困难。数据集包含训练集和测试集，分别有9750和160个样本。每个样本包含多个字段，如护照号、姓名、国籍等。数据集的生成流程包括使用模板填充数据、随机倾斜粘贴到背景上，并在硬版本中应用Augraphy增强。

原始信息汇总

Synthetic US Passports 数据集概述

数据集基本信息

• 语言: 英语
• 许可证: Apache-2.0
• 大小分类: 1K<n<10K
• 任务分类: 视觉问答
• 美观名称: Synthetic US Passports

数据集特征

• image: 图像类型
• Type: 字符串类型
• Code: 字符串类型
• Passport_Number: 整数类型 (int64)
• Surname: 字符串类型
• Given_Names: 字符串类型
• Nationality: 字符串类型
• DOB: 字符串类型
• Place_of_Birth: 字符串类型
• Sex: 字符串类型
• Date_of_Issue: 字符串类型
• Authority: 字符串类型
• Date_of_Expiration: 字符串类型
• Endorsements: 字符串类型

数据集分割

• 训练集: 9750个样本，总大小45454379035.75字节
• 测试集: 160个样本，总大小875580983.0字节

下载与数据集大小

• 下载大小: 46332529915字节
• 数据集大小: 46329960018.75字节

配置

• 默认配置:
  • 训练数据路径: data/train-*
  • 测试数据路径: data/test-*

标签

• document
• DocumentAI
• synthetic