gbenson/webui-dom-snapshots
收藏资源简介：
--- license: cc0-1.0 size_categories: - 1K<n<10K source_datasets: - biglab/webui-7k - original multilinguality: - multilingual task_categories: - image-feature-extraction - reinforcement-learning - text-classification pretty_name: WebUI DOM snapshots dataset_info: features: - name: image dtype: image - name: requested_url dtype: string - name: displayed_url dtype: string - name: num_frames dtype: int64 - name: body_elements sequence: string - name: dom_snapshot struct: - name: documents list: - name: documentURL dtype: int64 - name: title dtype: int64 - name: baseURL dtype: int64 - name: contentLanguage dtype: int64 - name: encodingName dtype: int64 - name: publicId dtype: int64 - name: systemId dtype: int64 - name: frameId dtype: int64 - name: nodes struct: - name: parentIndex sequence: int64 - name: nodeType sequence: int64 - name: shadowRootType struct: - name: index sequence: int64 - name: value sequence: int64 - name: nodeName sequence: int64 - name: nodeValue sequence: int64 - name: backendNodeId sequence: int64 - name: attributes sequence: sequence: int64 - name: textValue struct: - name: index sequence: int64 - name: value sequence: int64 - name: inputValue struct: - name: index sequence: int64 - name: value sequence: int64 - name: inputChecked struct: - name: index sequence: int64 - name: optionSelected struct: - name: index sequence: int64 - name: contentDocumentIndex struct: - name: index sequence: int64 - name: value sequence: int64 - name: pseudoType struct: - name: index sequence: int64 - name: value sequence: int64 - name: pseudoIdentifier struct: - name: index sequence: 'null' - name: value sequence: 'null' - name: isClickable struct: - name: index sequence: int64 - name: currentSourceURL struct: - name: index sequence: int64 - name: value sequence: int64 - name: originURL struct: - name: index sequence: 'null' - name: value sequence: 'null' - name: layout struct: - name: nodeIndex sequence: int64 - name: styles sequence: sequence: int64 - name: bounds sequence: sequence: float64 - name: text sequence: int64 - name: stackingContexts struct: - name: index sequence: int64 - name: paintOrders sequence: int64 - name: textBoxes struct: - name: layoutIndex sequence: int64 - name: bounds sequence: sequence: float64 - name: start sequence: int64 - name: length sequence: int64 - name: scrollOffsetX dtype: int64 - name: scrollOffsetY dtype: int64 - name: contentWidth dtype: int64 - name: contentHeight dtype: int64 - name: strings sequence: string - name: capture_options struct: - name: computedStyles sequence: string - name: includePaintOrder dtype: bool - name: source_index dtype: int64 - name: source_key_name dtype: string - name: source_image_ssim dtype: float64 - name: detected_language dtype: string splits: - name: train num_bytes: 2707342861 num_examples: 4536 download_size: 1972567064 dataset_size: 2707342861 configs: - config_name: default data_files: - split: train path: data/train-* language: - en - nl - fr - zh - ja - de - id - cs - ru - pt - fi - sv - 'no' - pl - da - sl - hu - vi - is - ko - th - tr - ar - bg - el - uk - es - et - gd - ne - sk - af - bn - gl - hi - it - lt - lv - ml - sr - to --- # Dataset Card for WebUI DOM snapshots <!-- Provide a quick summary of the dataset. --> This dataset card aims to be a base template for new datasets. It has been generated using [this raw template](https://github.com/huggingface/huggingface_hub/blob/main/src/huggingface_hub/templates/datasetcard_template.md?plain=1). ## Dataset Details ### Dataset Description <!-- Provide a longer summary of what this dataset is. --> - **Curated by:** [Gary Benson](https://gbenson.net/) <!-- **Funded by [optional]:** [More Information Needed] --> - **Languages:** Mostly English (87%); Dutch, French, Chinese, Japanese (1-2% each); 30+ others (<1% each) - **License:** [CC0 1.0 Universal](https://creativecommons.org/publicdomain/zero/1.0/) ### Dataset Sources [optional] <!-- Provide the basic links for the dataset. --> - **Repository:** [More Information Needed] - **Paper [optional]:** [More Information Needed] - **Demo [optional]:** [More Information Needed] ## Uses <!-- Address questions around how the dataset is intended to be used. --> ### Direct Use <!-- This section describes suitable use cases for the dataset. --> [More Information Needed] ### Out-of-Scope Use <!-- This section addresses misuse, malicious use, and uses that the dataset will not work well for. --> [More Information Needed] ## Dataset Structure <!-- This section provides a description of the dataset fields, and additional information about the dataset structure such as criteria used to create the splits, relationships between data points, etc. --> <!-- There are no splits in this dataset. It is given as is. There are no recommended data splits. The authors use all books in the dataset for unsupervised training, with no splits or subsamples. --> [More Information Needed] ## Dataset Creation ### Curation Rationale <!-- Motivation for the creation of this dataset. --> [More Information Needed] ### Source Data <!-- This section describes the source data (e.g. news text and headlines, social media posts, translated sentences, ...). --> #### Data Collection and Processing <!-- This section describes the data collection and processing process such as data selection criteria, filtering and normalization methods, tools and libraries used, etc. --> [More Information Needed] #### Who are the source data producers? <!-- This section describes the people or systems who originally created the data. It should also include self-reported demographic or identity information for the source data creators if this information is available. --> [More Information Needed] ### Annotations [optional] <!-- If the dataset contains annotations which are not part of the initial data collection, use this section to describe them. --> #### Annotation process <!-- This section describes the annotation process such as annotation tools used in the process, the amount of data annotated, annotation guidelines provided to the annotators, interannotator statistics, annotation validation, etc. --> [More Information Needed] #### Who are the annotators? <!-- This section describes the people or systems who created the annotations. --> [More Information Needed] #### Personal and Sensitive Information <!-- State whether the dataset contains data that might be considered personal, sensitive, or private (e.g., data that reveals addresses, uniquely identifiable names or aliases, racial or ethnic origins, sexual orientations, religious beliefs, political opinions, financial or health data, etc.). If efforts were made to anonymize the data, describe the anonymization process. --> [More Information Needed] ## Bias, Risks, and Limitations 87% of the examples are English. <!-- This section is meant to convey both technical and sociotechnical limitations. --> [More Information Needed] ### Recommendations <!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. --> Users should be made aware of the risks, biases and limitations of the dataset. More information needed for further recommendations. ## Citation [optional] <!-- If there is a paper or blog post introducing the dataset, the APA and Bibtex information for that should go in this section. --> **BibTeX:** [More Information Needed] **APA:** [More Information Needed] ## Glossary [optional] <!-- If relevant, include terms and calculations in this section that can help readers understand the dataset or dataset card. --> [More Information Needed] ## More Information [optional] [More Information Needed] ## Dataset Card Authors [optional] [More Information Needed] ## Dataset Card Contact [More Information Needed]
许可证：cc0-1.0 规模类别： - 1K<n<10K 源数据集： - biglab/webui-7k - 原始数据集 多语言属性： - 多语言 任务类别： - 图像特征提取 - 强化学习 - 文本分类 展示名称：Web用户界面文档对象模型（Document Object Model, DOM）快照 数据集信息： 字段特征： - 名称：image 数据类型：图像 - 名称：requested_url 数据类型：字符串 - 名称：displayed_url 数据类型：字符串 - 名称：num_frames 数据类型：int64 - 名称：body_elements 类型：字符串序列 - 名称：dom_snapshot 类型：结构体： - 名称：documents 列表： - 名称：documentURL 数据类型：int64 - 名称：title 数据类型：int64 - 名称：baseURL 数据类型：int64 - 名称：contentLanguage 数据类型：int64 - 名称：encodingName 数据类型：int64 - 名称：publicId 数据类型：int64 - 名称：systemId 数据类型：int64 - 名称：frameId 数据类型：int64 - 名称：nodes 结构体： - 名称：parentIndex 类型：int64序列 - 名称：nodeType 类型：int64序列 - 名称：shadowRootType 结构体： - 名称：index 类型：int64序列 - 名称：value 类型：int64序列 - 名称：nodeName 类型：int64序列 - 名称：nodeValue 类型：int64序列 - 名称：backendNodeId 类型：int64序列 - 名称：attributes 类型：int64序列的序列 - 名称：textValue 结构体： - 名称：index 类型：int64序列 - 名称：value 类型：int64序列 - 名称：inputValue 结构体： - 名称：index 类型：int64序列 - 名称：value 类型：int64序列 - 名称：inputChecked 结构体： - 名称：index 类型：int64序列 - 名称：optionSelected 结构体： - 名称：index 类型：int64序列 - 名称：contentDocumentIndex 结构体： - 名称：index 类型：int64序列 - 名称：value 类型：int64序列 - 名称：pseudoType 结构体： - 名称：index 类型：int64序列 - 名称：value 类型：int64序列 - 名称：pseudoIdentifier 结构体： - 名称：index 类型：null序列 - 名称：value 类型：null序列 - 名称：isClickable 结构体： - 名称：index 类型：int64序列 - 名称：currentSourceURL 结构体： - 名称：index 类型：int64序列 - 名称：value 类型：int64序列 - 名称：originURL 结构体： - 名称：index 类型：null序列 - 名称：value 类型：null序列 - 名称：layout 结构体： - 名称：nodeIndex 类型：int64序列 - 名称：styles 类型：int64序列的序列 - 名称：bounds 类型：float64序列的序列 - 名称：text 类型：int64序列 - 名称：stackingContexts 结构体： - 名称：index 类型：int64序列 - 名称：paintOrders 类型：int64序列 - 名称：textBoxes 结构体： - 名称：layoutIndex 类型：int64序列 - 名称：bounds 类型：float64序列的序列 - 名称：start 类型：int64序列 - 名称：length 类型：int64序列 - 名称：scrollOffsetX 数据类型：int64 - 名称：scrollOffsetY 数据类型：int64 - 名称：contentWidth 数据类型：int64 - 名称：contentHeight 数据类型：int64 - 名称：strings 类型：字符串序列 - 名称：capture_options 结构体： - 名称：computedStyles 类型：字符串序列 - 名称：includePaintOrder 数据类型：布尔型 - 名称：source_index 数据类型：int64 - 名称：source_key_name 数据类型：字符串 - 名称：source_image_ssim 数据类型：float64 - 名称：detected_language 数据类型：字符串 拆分信息： - 名称：train 字节数：2707342861 样本数：4536 下载大小：1972567064 数据集大小：2707342861 配置： - 配置名称：default 数据文件： - 拆分：train 路径：data/train-* 语言： - en（英语） - nl（荷兰语） - fr（法语） - zh（中文） - ja（日语） - de（德语） - id（印尼语） - cs（捷克语） - ru（俄语） - pt（葡萄牙语） - fi（芬兰语） - sv（瑞典语） - no（挪威语） - pl（波兰语） - da（丹麦语） - sl（斯洛文尼亚语） - hu（匈牙利语） - vi（越南语） - is（冰岛语） - ko（韩语） - th（泰语） - tr（土耳其语） - ar（阿拉伯语） - bg（保加利亚语） - el（希腊语） - uk（乌克兰语） - es（西班牙语） - et（爱沙尼亚语） - gd（苏格兰盖尔语） - ne（尼泊尔语） - sk（斯洛伐克语） - af（南非荷兰语） - bn（孟加拉语） - gl（加利西亚语） - hi（印地语） - it（意大利语） - lt（立陶宛语） - lv（拉脱维亚语） - ml（马拉雅拉姆语） - sr（塞尔维亚语） - to（汤加语） # WebUI DOM快照数据集卡片 <!-- 快速概述该数据集 --> 本数据集卡片旨在作为新数据集的基础模板，由[该原始模板](https://github.com/huggingface/huggingface_hub/blob/main/src/huggingface_hub/templates/datasetcard_template.md?plain=1)生成。 ## 数据集详情 ### 数据集描述 <!-- 更详细地说明该数据集是什么 --> - **整理者：** [Gary Benson](https://gbenson.net/) <!-- **资助方 [可选]：** 需补充更多信息 --> - **语言：** 以英语为主（占比87%）；荷兰语、法语、中文、日语各占1%-2%；另有30余种语言，每种占比不足1% - **许可证：** [CC0 1.0 通用公共协议](https://creativecommons.org/publicdomain/zero/1.0/) ### 数据集来源 [可选] <!-- 提供数据集的基础链接 --> - **代码仓库：** 需补充更多信息 - **相关论文 [可选]：** 需补充更多信息 - **演示示例 [可选]：** 需补充更多信息 ## 数据集用途 <!-- 讨论该数据集的预期使用场景 --> ### 直接使用 <!-- 本节描述该数据集的适用场景 --> 需补充更多信息 ### 超范围使用 <!-- 本节讨论误用、恶意使用以及该数据集不适用的场景 --> 需补充更多信息 ## 数据集结构 <!-- 本节描述数据集的字段，以及数据集结构的额外信息，如拆分标准、数据点间的关系等 --> <!-- 本数据集无预设拆分，将以原始形式提供。 无推荐的数据拆分方式。作者将数据集中所有样本用于无监督训练，未进行拆分或子采样。 --> 需补充更多信息 ## 数据集创建 ### 整理依据 <!-- 创建该数据集的动机 --> 需补充更多信息 ### 源数据 <!-- 本节描述源数据（例如新闻文本与标题、社交媒体帖子、翻译句子等） --> #### 数据收集与处理流程 <!-- 本节描述数据收集和处理过程，如数据选择标准、过滤和归一化方法、使用的工具和库等 --> 需补充更多信息 #### 源数据生产者是谁？ <!-- 本节描述最初创建该数据的个人或系统。如果可用，还应包含源数据创建者自行报告的人口或身份信息 --> 需补充更多信息 ### 标注信息 [可选] <!-- 如果数据集包含不属于初始数据收集的标注，请使用本节描述 --> #### 标注流程 <!-- 本节描述标注流程，如标注过程中使用的工具、标注数据量、提供给标注者的标注指南、标注者间统计数据、标注验证等 --> 需补充更多信息 #### 标注者是谁？ <!-- 本节描述创建标注的个人或系统 --> 需补充更多信息 #### 个人与敏感信息 <!-- 说明数据集是否包含可能被视为个人、敏感或私密的数据（例如，揭示地址、唯一可识别的姓名或别名、种族或族裔出身、性取向、宗教信仰、政治观点、财务或健康数据等）。如果对数据进行了匿名化处理，请描述匿名化过程 --> 需补充更多信息 ## 偏差、风险与局限性 本数据集87%的样本为英语样本。 <!-- 本节旨在传达技术和社会技术层面的局限性 --> 需补充更多信息 ### 建议 <!-- 本节旨在就偏差、风险和技术局限性给出建议 --> 用户应了解该数据集存在的风险、偏差和局限性。如需进一步建议，需补充更多信息。 ## 引用 [可选] <!-- 如果有介绍该数据集的论文或博客文章，本节应包含对应的APA和BibTeX引用信息 --> **BibTeX：** 需补充更多信息 **APA格式：** 需补充更多信息 ## 术语表 [可选] <!-- 如果相关，请包含本节中的术语和计算公式，以帮助读者理解数据集或数据集卡片 --> 需补充更多信息 ## 更多信息 [可选] 需补充更多信息 ## 数据集卡片作者 [可选] 需补充更多信息 ## 数据集卡片联系人 需补充更多信息
数据集概述
数据集描述
- 数据集名称: WebUI DOM snapshots
- 数据集大小: 1K<n<10K
- 多语言性: 多语言
- 任务类别:
- 图像特征提取
- 强化学习
- 文本分类
- 许可证: CC0 1.0 Universal
数据集结构
特征
- image: 图像数据
- requested_url: 请求的URL
- displayed_url: 显示的URL
- num_frames: 帧数
- body_elements: 主体元素序列
- dom_snapshot: DOM快照结构
- documents: 文档列表
- documentURL: 文档URL
- title: 标题
- baseURL: 基础URL
- contentLanguage: 内容语言
- encodingName: 编码名称
- publicId: 公共ID
- systemId: 系统ID
- frameId: 框架ID
- nodes: 节点结构
- parentIndex: 父节点索引序列
- nodeType: 节点类型序列
- shadowRootType: 阴影根类型结构
- index: 索引序列
- value: 值序列
- nodeName: 节点名称序列
- nodeValue: 节点值序列
- backendNodeId: 后端节点ID序列
- attributes: 属性序列
- textValue: 文本值结构
- index: 索引序列
- value: 值序列
- inputValue: 输入值结构
- index: 索引序列
- value: 值序列
- inputChecked: 输入选中结构
- index: 索引序列
- optionSelected: 选项选中结构
- index: 索引序列
- contentDocumentIndex: 内容文档索引结构
- index: 索引序列
- value: 值序列
- pseudoType: 伪类型结构
- index: 索引序列
- value: 值序列
- pseudoIdentifier: 伪标识符结构
- index: 索引序列
- value: 值序列
- isClickable: 可点击结构
- index: 索引序列
- currentSourceURL: 当前源URL结构
- index: 索引序列
- value: 值序列
- originURL: 原始URL结构
- index: 索引序列
- value: 值序列
- layout: 布局结构
- nodeIndex: 节点索引序列
- styles: 样式序列
- bounds: 边界序列
- text: 文本序列
- stackingContexts: 堆叠上下文结构
- index: 索引序列
- paintOrders: 绘制顺序序列
- textBoxes: 文本框结构
- layoutIndex: 布局索引序列
- bounds: 边界序列
- start: 起始序列
- length: 长度序列
- scrollOffsetX: 水平滚动偏移
- scrollOffsetY: 垂直滚动偏移
- contentWidth: 内容宽度
- contentHeight: 内容高度
- documents: 文档列表
- strings: 字符串序列
- capture_options: 捕获选项结构
- computedStyles: 计算样式序列
- includePaintOrder: 包含绘制顺序
- source_index: 源索引
- source_key_name: 源键名
- source_image_ssim: 源图像相似度
- detected_language: 检测到的语言
分割
- train: 训练集
- num_bytes: 2707342861
- num_examples: 4536
配置
- default: 默认配置
- data_files:
- split: train
- path: data/train-*
- data_files:
语言
- en, nl, fr, zh, ja, de, id, cs, ru, pt, fi, sv, no, pl, da, sl, hu, vi, is, ko, th, tr, ar, bg, el, uk, es, et, gd, ne, sk, af, bn, gl, hi, it, lt, lv, ml, sr, to
