katanaml-org/invoices-donut-data-v1

该数据集包含500份发票文档，这些文档已经过注释和处理，准备用于Donut ML模型的微调。注释和数据准备任务由Katana ML团队完成。Sparrow是Katana ML的开源数据提取解决方案。原始数据集信息可在Mendeley Data上找到。

This dataset comprises 500 invoice documents that have been annotated and processed, and is prepared for fine-tuning of the Donut ML model. The annotation and data preparation tasks were completed by the Katana ML team. Sparrow is an open-source data extraction solution developed by Katana ML. Information about the original dataset is available on Mendeley Data.

原始信息汇总

数据集概述

数据集信息

• 特征:
  • image: 图像数据
  • ground_truth: 字符串数据
• 分割:
  • train: 234024421字节, 425个样本
  • test: 14512665字节, 26个样本
  • validation: 27661738字节, 50个样本
• 下载大小: 197512750字节
• 数据集大小: 276198824字节
• 许可证: MIT
• 任务类别: 特征提取
• 语言: 英语
• 名称: Sparrow Invoice Dataset
• 大小类别: n<1K

数据集描述

• 包含500份已标注并处理好的发票文档，适用于Donut ML模型的微调。

搜集汇总

数据集介绍

构建方式

在文档智能领域，高质量标注数据是训练高效模型的基础。该数据集由Katana ML团队精心构建，基于Marek Kozłowski与Paweł Weichbroth于2021年发布的电子发票原始样本，经过专业标注与预处理，转化为适用于Donut模型微调的格式。构建过程涵盖图像与文本对的整理，确保数据的一致性与可用性，最终形成包含500份发票文档的标准化集合，为结构化信息提取研究提供了可靠资源。

特点

本数据集聚焦于发票文档的自动化处理，其核心特点在于专为Donut模型设计，具备图像与文本对的结构化特征。数据规模适中，涵盖训练、验证与测试三个标准划分，共计501个样本，确保了模型评估的严谨性。所有文档均以英文呈现，标注质量经过专业团队校验，支持特征提取任务，为文档理解与关键信息抽取提供了精准的基准数据。

使用方法

在文档信息提取任务中，该数据集可直接用于微调基于Transformer的Donut模型。使用者可通过加载图像与对应的ground_truth文本，训练模型学习从发票图像中识别并生成结构化文本。数据集已按标准比例分割，便于进行模型训练、验证与性能测试。借助HuggingFace平台，研究人员可便捷访问数据，加速文档智能领域的实验与开发进程。

背景与挑战

背景概述

在文档智能领域，电子发票的自动化信息提取一直是提升企业运营效率的关键技术。katanaml-org/invoices-donut-data-v1数据集由Katana ML团队于2021年构建，基于Marek Kozłowski和Paweł Weichbroth发布的原始电子发票样本。该数据集旨在为Donut模型提供精细调优的标注数据，核心研究问题聚焦于从复杂发票文档中准确提取结构化信息，从而推动光学字符识别与自然语言处理技术的融合应用，对金融科技与自动化流程管理领域产生了显著影响。

当前挑战

该数据集致力于解决电子发票信息提取中的多模态理解挑战，包括处理多样化的发票布局、模糊的文本质量以及跨语言语义解析等难题。在构建过程中，团队面临标注一致性与数据隐私保护的考验，需在有限样本规模下确保注释的精确度，同时平衡开源数据与商业敏感性之间的冲突，这些因素共同构成了数据集实用化部署的核心障碍。

常用场景

经典使用场景

在文档智能领域，该数据集为发票文档的结构化信息提取提供了标准化训练资源。其经典使用场景在于支持基于深度学习的端到端模型，如Donut（Document Understanding Transformer），进行细粒度微调，以自动识别发票中的关键字段，包括供应商名称、日期、金额和商品条目等。通过结合图像与文本标注，模型能够直接从扫描或数字发票图像中解析语义内容，显著提升了文档处理的自动化水平与准确性。

实际应用

在实际应用中，该数据集支撑了企业财务自动化、供应链管理和审计流程的优化。例如，金融机构和物流公司可基于训练模型批量处理发票，自动录入数据至ERP系统，减少人工干预并降低错误率。此外，它还能赋能税务申报、费用报销等场景，实现实时文档分析与合规检查，提升运营效率并降低成本，体现了人工智能在传统行业数字化转型中的关键价值。

衍生相关工作

围绕该数据集，衍生了一系列经典研究工作，主要包括基于Donut架构的改进模型，如集成多语言支持或增强布局理解的变体。同时，社区也探索了结合预训练视觉Transformer与序列生成技术的方法，以提升对复杂发票格式的鲁棒性。这些工作不仅扩展了数据集的适用边界，还推动了开源工具如Sparrow的发展，形成了从数据到部署的完整生态系统，持续促进文档智能领域的实践与创新。