OCRFlux Bench Single
Un punto de referencia multilingüe de 2000 páginas PDF con anotaciones en Markdown para probar las capacidades de análisis de documentos mediante OCR.
Descripción
OCRFlux Bench Single es un punto de referencia de alta calidad diseñado para evaluar el rendimiento de los sistemas de OCR al analizar páginas PDF. Incluye 2000 páginas de documentos internos, anotadas manualmente en Markdown, inglés y chino. El objetivo es comprobar la fidelidad de los sistemas de OCR a la hora de convertir páginas PDF a formatos estructurados.
¿Para qué sirve este conjunto de datos?
- Evalúe la precisión de los OCR en documentos complejos (títulos, tablas, texto estructurado)
- Pruebe modelos de OCR multilingües en contenido en inglés y chino
- Mejore la generación de Markdown a partir del contenido visual (PDF, escaneo)
¿Se puede enriquecer o mejorar?
Sí, el conjunto de datos se puede ampliar a otros idiomas o tipos de documentos (por ejemplo, formularios, documentos legales). Los niveles de título, las distinciones entre secciones o la anotación precisa de las tablas (encabezado, cuerpo) también podrían enriquecer la estructura.
🔎 En resumen
🧠 Recomendado para
- programadores de OCR
- Investigadores de extracción de texto
- Proyectos de PDF a HTML
🔧 Herramientas compatibles
- Tesseract
- LayoutLMv3
- PaddleOCR
- PyMuPDF
- Markdown-it
💡 Consejo
Utilice la versión HTML de las tablas para evitar la pérdida de información en estructuras complejas.
Preguntas frecuentes
¿Se puede usar este conjunto de datos para entrenar un modelo de OCR?
Más bien, está diseñado para la evaluación, pero puede usarse como base para ajustar con precisión el Markdown estructurado.
¿Qué formato se usa para las anotaciones de las tablas?
Las tablas se representan en HTML en Markdown para administrar las celdas combinadas (rowspan, colspan).
¿El conjunto de datos contiene documentos en idiomas distintos del inglés y el chino?
No, la versión actual está limitada al inglés y al chino. Sin embargo, es posible ampliarla a otros idiomas con documentos anotados según la misma estructura.
