rileykim/multilingual-multimodal-document

---
dataset_info:
features:
- name: id
dtype: string
- name: image_id
dtype: string
- name: lang_pair
dtype: string
- name: target_lang
dtype: string
- name: cls
dtype: string
- name: ocr
list:
- name: box
list: float64
- name: text
dtype: string
- name: merge_ocr
list:
- name: box
list: int64
- name: src_lang
dtype: string
- name: src_text
dtype: string
- name: tgt_lang
dtype: string
- name: tgt_text
dtype: string
- name: image
dtype: image
- name: export_index
dtype: int64
- name: patimt_id
dtype: string
splits:
- name: train
num_bytes: 12403342858
num_examples: 10000
- name: test
num_bytes: 650470042
num_examples: 600
download_size: 13052892186
dataset_size: 13053812900
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

数据集信息：
特征字段：
- 字段名：id，数据类型：字符串
- 字段名：image_id，数据类型：字符串
- 字段名：语言对（lang_pair），数据类型：字符串
- 字段名：目标语言（target_lang），数据类型：字符串
- 字段名：分类标签（cls），数据类型：字符串
- 字段名：光学字符识别（Optical Character Recognition, OCR），结构为列表，包含子项：
- 字段名：box，数据类型：64位浮点型列表
- 字段名：text，数据类型：字符串
- 字段名：merge_ocr，结构为列表，包含子项：
- 字段名：box，数据类型：64位整型列表
- 字段名：源语言（src_lang），数据类型：字符串
- 字段名：源文本（src_text），数据类型：字符串
- 字段名：目标语言（tgt_lang），数据类型：字符串
- 字段名：目标文本（tgt_text），数据类型：字符串
- 字段名：image，数据类型：图像
- 字段名：导出索引（export_index），数据类型：64位整型
- 字段名：patimt_id，数据类型：字符串
数据集划分：
- 划分名称：训练集（train），字节数：12403342858，样本数量：10000
- 划分名称：测试集（test），字节数：650470042，样本数量：600
下载总大小：13052892186，数据集总大小：13053812900
配置项：
- 配置名称：默认配置（default），数据文件：
- 训练集划分：文件路径为data/train-*
- 测试集划分：文件路径为data/test-*