creative-graphic-design/PubLayNet

PubLayNet是一个用于文档布局分析的数据集。它包含了研究论文和文章的图像，并对这些图像中的各种元素（如“文本”、“列表”、“图表”等）进行了标注。数据集是通过自动匹配PubMed Central上公开的超过100万篇PDF文章的XML表示和内容获得的。数据集的结构包括图像ID、文件名、宽度、高度、图像和标注等信息。数据集分为训练集、验证集和测试集，分别包含335703、11245和11405个样本。

原始信息汇总

数据集概述

基本信息

• 数据集名称: PubLayNet
• 语言: 英语
• 许可证: CDLA-Permissive-1.0
• 多语言性: 单语种
• 源数据: 原始数据
• 任务类别: 图像分类、图像分割、图像到文本、问答、多选题、标记分类、表格到文本、目标检测、表格问答、文本分类、表格到文本
• 任务ID: 多标签图像分类、多类图像分类、语义分割、图像标注、抽取式问答、封闭域问答、多选题问答、命名实体识别
• 标签: 图形设计、布局生成

数据结构

• 特征:
  • image_id: 图像ID，类型为int32
  • file_name: 文件名，类型为string
  • width: 图像宽度，类型为int32
  • height: 图像高度，类型为int32
  • image: 图像，类型为image
  • annotations: 标注信息，类型为序列，包含以下字段：
    • annotation_id: 标注ID，类型为int32
    • area: 区域面积，类型为float32
    • bbox: 边界框，类型为float32序列，长度为4
    • category: 类别信息，包含以下字段：
      • category_id: 类别ID，类型为int32
      • name: 类别名称，类型为class_label，名称包括：text, title, list, table, figure
      • supercategory: 超类别，类型为string
    • category_id: 类别ID，类型为int32
    • image_id: 图像ID，类型为int32
    • iscrowd: 是否为群体，类型为bool
    • segmentation: 分割信息，类型为image

数据分割

• 训练集:
  • 样本数量: 335703
  • 字节数: 99127922734.771
• 验证集:
  • 样本数量: 11245
  • 字节数: 3513203604.885
• 测试集:
  • 样本数量: 11405
  • 字节数: 3406081626.495

数据集大小

• 下载大小: 107597638930
• 数据集大小: 106047207966.15099

配置

• 默认配置:
  • 数据文件路径:
    • 训练集: data/train-*
    • 验证集: data/validation-*
    • 测试集: data/test-*