phyloforfun/HLT_MICH_Angiospermae_SLTPvA_v1-0__OCR-C25-L25-E25-R05

该数据集采用Alpaca格式，包含所有截至2023年11月28日的MICH被子植物条目。数据集还包含合成OCR处理，模拟了OCR噪声和错误。具体来说，25%的单元格会随机变为全大写，25%的单元格会随机变为全小写，25%的行会进行合成OCR增强，5%的字符在OCR增强行中会经历替换、删除或插入错误。此外，OCR增强行还会随机插入字符串以模拟OCR噪声。系统消息要求将非结构化文本重构为符合Darwin Core Archive标准的JSON字典。

原始信息汇总

数据集概述

数据集信息

• 特征:
  • instruction: 字符串类型
  • input: 字符串类型
  • output: 字符串类型
• 分割:
  • train: 16878481512 字节, 10134076 个样本
• 下载大小: 1579045698 字节
• 数据集大小: 16878481512 字节
• 配置:
  • default: 数据文件路径为 data/train-*
• 许可证: cc-by-sa-4.0

数据集格式

• 格式: Alpaca 格式
• 内容: 截至2023年11月28日（v1-0）的所有MICH Angiospermae条目

合成OCR

• C25: 25%的单元格将随机全部大写
• L25: 25%的单元格将随机全部小写
• E25: 所有行中的25%将进行合成OCR增强
• R05: 在OCR增强行中，每个字符有5%的几率发生替换、删除或插入错误
• 额外: OCR增强行中还会随机插入字符串以模拟OCR噪声

系统消息

• 任务: 将非结构化文本重构为有效的JSON字典
• 键名: 遵循Darwin Core Archive标准
• 内容填充: 如果键缺少内容，则插入空字符串
• JSON结构: json { "catalogNumber": "", "order": "", "family": "", "scientificName": "", "scientificNameAuthorship": "", "genus": "", "subgenus": "", "specificEpithet": "", "verbatimTaxonRank": "", "infraspecificEpithet": "", "identifiedBy": "", "recordedBy": "", "recordNumber": "", "verbatimEventDate": "", "habitat": "", "occurrenceRemarks": "", "associatedTaxa": "", "country": "", "stateProvince": "", "county": "", "municipality": "", "locality": "", "decimalLatitude": "", "decimalLongitude": "", "verbatimCoordinates": "", "minimumElevationInMeters": "", "maximumElevationInMeters": "" }