ocr_finetune_example

# Example Dataset for Surya OCR Finetuning

This dataset is an example that lays out the expected format for finetuning Surya OCR.

## Data Requirements
Image column: The input images (full pages, blocks, or single text lines — mix freely).
Text column: The transcription corresponding to each image.
For math content, ensure <math display="inline"></math> or <math display="block"></math> tags are wrapped around the latex

## Surya OCR supports:
Various aspect ratios
Different image types and qualities
Full-page documents
Cropped blocks of text
Single-line snippets

The base surya model is trained on a wide range of samples from all these categories, and you can combine any of these types in your training dataset for more robust performance, as demonstrated in this example dataset.

# 用于Surya光学字符识别（Optical Character Recognition，OCR）微调的示例数据集

本数据集为阐明Surya OCR微调标准格式的示例。

## 数据要求
图像列：输入图像（可自由组合全页文档、文本块或单行文本）。
文本列：与每张输入图像对应的转录文本。
针对数学内容，需使用<math display="inline"></math>或<math display="block"></math>标签包裹LaTeX代码。

## Surya OCR支持：
多种宽高比
不同类型与质量的图像
全页文档
裁剪后的文本块
单行文本片段

基础Surya模型已基于上述各类别的大量样本完成训练，您可在训练数据集中自由组合上述任意类型的数据，以获得更鲁棒的模型性能，本示例数据集即演示了这一做法。