DocStruct4M

DocStruct4M是一个用于学习文档结构以及文字定位的训练集，包含文档图片、网页截图、表格、图表以及自然图。在结构化解析方面具有3M训练样例，在文字识别和定位方面具有1M训练样例。

DocStruct4M is a training dataset dedicated to learning document structure and text localization. It encompasses document images, webpage screenshots, tables, charts and natural images. Specifically, it has 3 million training samples for structured parsing tasks, and 1 million training samples for text recognition and localization tasks.

搜集汇总

背景与挑战

背景概述

DocStruct4M是一个用于多模态文档大模型mPLUG-DocOwl1.5的训练数据集，涵盖文档图像、网页图像、表格、图表和自然图像。它包含约300万条结构化解析训练示例和100万条多粒度文本定位与识别示例，总图像大小约为311GB。