EdwardXJ/concat-debug-v1

--- dataset_info: features: - name: image dtype: image - name: sample_id dtype: string - name: ocr_bboxes struct: - name: paragraph sequence: 'null' - name: sentence sequence: 'null' - name: word sequence: sequence: int64 - name: ocr_predictions struct: - name: paragraph sequence: 'null' - name: sentence sequence: 'null' - name: word sequence: string - name: dataset_name dtype: string - name: bbox2text_queries struct: - name: paragraph sequence: 'null' - name: sentence sequence: 'null' - name: word sequence: string - name: bbox2text_annotations struct: - name: paragraph sequence: 'null' - name: sentence sequence: 'null' - name: word sequence: string - name: text2bbox_queries struct: - name: paragraph sequence: 'null' - name: sentence sequence: 'null' - name: word sequence: string - name: text2bbox_annotations struct: - name: paragraph sequence: 'null' - name: sentence sequence: 'null' - name: word sequence: string splits: - name: train num_bytes: 16502901412.8 num_examples: 76413 - name: val num_bytes: 2753329486.0 num_examples: 13224 - name: test num_bytes: 175369728.0 num_examples: 150 download_size: 19153645825 dataset_size: 19431600626.8 configs: - config_name: default data_files: - split: train path: data/train-* - split: val path: data/val-* - split: test path: data/test-* ---

原始信息汇总

数据集概述

数据集特征

• image: 图像数据类型。
• sample_id: 字符串数据类型。
• ocr_bboxes: 结构化数据，包含段落、句子和单词的边界框信息。
  • paragraph: 无序列。
  • sentence: 无序列。
  • word: 序列类型为整数。
• ocr_predictions: 结构化数据，包含段落、句子和单词的OCR预测结果。
  • paragraph: 无序列。
  • sentence: 无序列。
  • word: 序列类型为字符串。
• dataset_name: 字符串数据类型。
• bbox2text_queries: 结构化数据，包含段落、句子和单词的查询信息。
  • paragraph: 无序列。
  • sentence: 无序列。
  • word: 序列类型为字符串。
• bbox2text_annotations: 结构化数据，包含段落、句子和单词的注释信息。
  • paragraph: 无序列。
  • sentence: 无序列。
  • word: 序列类型为字符串。
• text2bbox_queries: 结构化数据，包含段落、句子和单词的查询信息。
  • paragraph: 无序列。
  • sentence: 无序列。
  • word: 序列类型为字符串。
• text2bbox_annotations: 结构化数据，包含段落、句子和单词的注释信息。
  • paragraph: 无序列。
  • sentence: 无序列。
  • word: 序列类型为字符串。

数据集分割

• train: 训练集，包含76413个样本，总大小为16502901412.8字节。
• val: 验证集，包含13224个样本，总大小为2753329486.0字节。
• test: 测试集，包含150个样本，总大小为175369728.0字节。

数据集大小

• download_size: 下载大小为19153645825字节。
• dataset_size: 数据集总大小为19431600626.8字节。

配置文件

• config_name: default
  • data_files:
    • split: train, path: data/train-*
    • split: val, path: data/val-*
    • split: test, path: data/test-*