thewalnutaisg/Doclaynet-Full

# NOtice: The category Ids are not mapped btw 0-10 doclaynet classes, rather they are 2-12 Use the following Classes map.

```json
{'caption': 2,
'footnote': 3,
'formula': 4,
'list_item': 5,
'page_footer': 6,
'page_header': 7,
'picture': 8,
'section_header': 9,
'table': 10,
'text': 11,
'title': 12}
```

## dataset_info:
**config_name: all**
# features:
- name: image, dtype: image
- name: category_ids, sequence: int32
- name: image_id, dtype: int32
- name: boxes, sequence: sequence: float32
- name: width, dtype: int32
- name: height, dtype: int32
- name: file_name, dtype: string
- name: ocr_words, sequence: string
- name: ocr_boxes, sequence: sequence: float32
## splits:
- name: val, num_examples: 6480
- name: test, num_examples: 4992
- name: train, num_examples: 69096

注意：本数据集的类别ID并未映射至0-10的DocLayNet文档布局数据集类别，而是采用2至12的编号范围，请使用以下类别映射表。

json
{'图注（caption）': 2,
'脚注（footnote）': 3,
'公式（formula）': 4,
'列表项（list_item）': 5,
'页脚（page_footer）': 6,
'页眉（page_header）': 7,
'图片（picture）': 8,
'章节标题（section_header）': 9,
'表格（table）': 10,
'正文文本（text）': 11,
'文档标题（title）': 12}

## 数据集信息：
**配置名称：all**
# 特征字段：
- 字段名称：图像（image），数据类型：图像类型
- 字段名称：类别ID序列（category_ids），数据类型：int32序列
- 字段名称：图像ID（image_id），数据类型：int32
- 字段名称：边界框（boxes），数据类型：float32二维嵌套序列
- 字段名称：图像宽度（width），数据类型：int32
- 字段名称：图像高度（height），数据类型：int32
- 字段名称：文件名（file_name），数据类型：字符串
- 字段名称：OCR文本词序列（ocr_words），数据类型：字符串序列
- 字段名称：OCR边界框序列（ocr_boxes），数据类型：float32二维嵌套序列
## 数据集划分：
- 划分名称：验证集（val），样本数量：6480
- 划分名称：测试集（test），样本数量：4992
- 划分名称：训练集（train），样本数量：69096