alansary/arabic-books-layoutlm-formatted

该数据集包含文本和图像数据，每个样本具有唯一的ID、单词序列、边界框序列、命名实体识别标签序列（包括Title和Body text两类）以及图像。数据集分为训练集、验证集和测试集，分别包含672、84和84个样本。数据集的下载大小为581214869字节，总大小为583126986字节。

原始信息汇总

数据集概述

数据集特征

• id: 字符串类型
• words: 字符串序列类型
• bboxes: 整数序列类型
• ner_tags: 类别标签序列类型，包含以下类别：
  • 0: Title
  • 1: Body text
• image: 图像类型

数据集分割

• 训练集: 672个样本，占用442086646字节
• 验证集: 84个样本，占用67186980字节
• 测试集: 84个样本，占用73853360字节

数据集大小

• 下载大小: 581214869字节
• 数据集总大小: 583126986字节

数据文件配置

• 默认配置:
  • 训练集路径: data/train-*
  • 验证集路径: data/validation-*
  • 测试集路径: data/test-*