SemanticExtraction/text_only_v3

---
dataset_info:
features:
- name: key
dtype: string
- name: ocr
struct:
- name: images_bbox
sequence:
sequence: float64
- name: images_bbox_no_text_overlap
sequence:
sequence: float64
- name: lines
struct:
- name: bbox
sequence:
sequence: float64
- name: score
sequence: float64
- name: text
sequence: string
- name: word_slice
sequence:
sequence: int64
- name: words
struct:
- name: bbox
sequence:
sequence: float64
- name: line_pos
sequence:
sequence: int64
- name: score
sequence: float64
- name: text
sequence: string
- name: lang
dtype: string
- name: ground_truth
dtype: string
- name: valid_pydantic_model
dtype: bool
- name: text_len
dtype: int64
- name: sym_dist_gpt_ocr
dtype: int64
- name: image
dtype: image
splits:
- name: train
num_bytes: 892113698.125
num_examples: 5879
download_size: 746373511
dataset_size: 892113698.125
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 名称：键（key），数据类型：字符串
- 名称：OCR（Optical Character Recognition），为结构体，包含以下子字段：
- 图像边界框（images_bbox）：二维浮点64位序列
- 无文本重叠的图像边界框（images_bbox_no_text_overlap）：二维浮点64位序列
- 行（lines）：结构体，包含以下子字段：
- 边界框（bbox）：二维浮点64位序列
- 置信度分数（score）：一维浮点64位序列
- 文本内容（text）：一维字符串序列
- 单词切片（word_slice）：二维整型64位序列
- 单词（words）：结构体，包含以下子字段：
- 边界框（bbox）：二维浮点64位序列
- 行位置（line_pos）：二维整型64位序列
- 置信度分数（score）：一维浮点64位序列
- 文本内容（text）：一维字符串序列
- 名称：语言（lang），数据类型：字符串
- 名称：真实标注（ground_truth），数据类型：字符串
- 名称：Pydantic模型有效性（valid_pydantic_model），数据类型：布尔型
- 名称：文本长度（text_len），数据类型：整型
- 名称：GPT-OCR符号距离（sym_dist_gpt_ocr），数据类型：整型
- 名称：图像（image），数据类型：图像数据
划分集：
- 名称：训练集（train），字节数：892113698.125，样本数：5879
下载总大小：746373511
数据集总存储大小：892113698.125
配置项：
- 配置名称：默认（default），数据文件：
- 划分集：训练集，文件路径：data/train-*