OGC_Military

# VDR - Organized, Grouped, Cleaned
# Military Vision DSE

> **Intended for image/text to vector (DSE)**

## Dataset Composition

Made with https://github.com/RacineAIOS/VDR_pdf-to-parquet

This dataset was created by scraping PDF documents from online sources and generating relevant synthetic queries.
We used Google's Gemini 2.0 Flash Lite model in our custom pipeline to produce the queries, allowing us to create a diverse set of questions based on the document content.

## Dataset Statistics

| Metric | Value |
|--------|-------|
| Train rows | 166,140 |
| Test rows | 20,812 |

## Language Distribution

| Language | Ratio (%) |
|--------|-------|
| English (en) | 84.001 |
| French (fr) | 15.726 |
| Arabic (ar) | 0.067 |
| German (de) | 0.065 |
| Russian (ru) | 0.053 |
| Ukrainian (uk) | 0.036 |
| Chinese (zh) | 0.021 |
| Persian (fa) | 0.007 |
| Dutch (nl) | 0.007 |
| Spanish (es) | 0.005 |
| Japanese (ja) | 0.002 |
| Malay (ms) | 0.002 |
| Italian (it) | 0.002 |
| Polish (pl) | 0.002 |

## Creators

Dataset curated by:
- **Paul Lemaistre**
- **Léo Appourchaux**
- **André-Louis Rochet**

# VDR——结构化、分组化、已清洗
# 军事视觉DSE（Military Vision DSE）

> **适用于图像/文本向量化任务（DSE）**

## 数据集构成
本数据集基于https://github.com/RacineAIOS/VDR_pdf-to-parquet 工具构建。
本数据集通过爬取在线资源中的PDF文档，并生成对应的合成查询样本构建而成。我们在定制化处理流水线中使用谷歌Gemini 2.0 Flash Lite模型生成查询语句，从而能够基于文档内容构建多样化的问题集合。

## 数据集统计信息
| 指标 | 数值 |
|--------|-------|
| 训练集样本数 | 166,140 |
| 测试集样本数 | 20,812 |

## 语言分布
| 语言 | 占比（%） |
|--------|-------|
| 英语（en） | 84.001 |
| 法语（fr） | 15.726 |
| 阿拉伯语（ar） | 0.067 |
| 德语（de） | 0.065 |
| 俄语（ru） | 0.053 |
| 乌克兰语（uk） | 0.036 |
| 中文（zh） | 0.021 |
| 波斯语（fa） | 0.007 |
| 荷兰语（nl） | 0.007 |
| 西班牙语（es） | 0.005 |
| 日语（ja） | 0.002 |
| 马来语（ms） | 0.002 |
| 意大利语（it） | 0.002 |
| 波兰语（pl） | 0.002 |

## 制作团队
本数据集由以下人员整理制作：
- **保罗·勒梅斯特（Paul Lemaistre）**
- **莱奥·阿普尔肖（Léo Appourchaux）**
- **安德烈-路易·罗谢（André-Louis Rochet）**

搜集汇总

背景与挑战

背景概述

OGC_Military是一个军事视觉DSE数据集，用于图像/文本到向量的转换，包含16.6万条训练数据和2万条测试数据，语言以英语和法语为主。