文档分析数据集|计算机视觉数据集

PubLayNet 是一个用于文档布局分析的大规模数据集，包含超过 360,000 张标注文档图像，源自 PubMed Central 的开放获取文献，涵盖文本、图表、表格等典型布局元素。数据集通过自动匹配 XML 结构与 PDF 内容生成，具有高一致性和可扩展性，规模媲美主流计算机视觉数据集。适用于文档解析、版面识别、OCR 系统优化等任务，广泛应用于学术出版物自动化处理和智能文档理解场景。数据标注由 IBM 提供，遵循 CDLA-Permissive-1.0 许可，图像使用需符合 PMC 开放访问条款。