En cliquant sur "Accepter ", vous acceptez que des cookies soient stockés sur votre appareil afin d'améliorer la navigation sur le site, d'analyser son utilisation et de contribuer à nos efforts de marketing. Consultez notre politique de confidentialité pour plus d'informations.
Open Datasets
olmOCR Mix 0225 Benchmarkset
Texte

olmOCR Mix 0225 Benchmarkset

Ce dataset comprend 10 000 fichiers PDF extraits d’un corpus plus large, destiné à évaluer la vitesse des modèles OCR et calibrer la quantization. Il est utile pour les tâches d’OCR sur documents variés.

Télécharger le dataset
Taille

10 000 fichiers PDF, environ 2,48 Go

Licence

ODC-By

Description

‍

olmOCR Mix 0225 Benchmarkset est un ensemble de 10 000 documents PDF utilisés principalement pour le benchmarking de performances OCR et la calibration de modèles quantifiés. Ces fichiers couvrent divers types de documents et fournissent une base pour tester la robustesse des systèmes OCR.

‍

‍

À quoi sert ce dataset ?

‍

  • Benchmarking de vitesse et précision des systèmes OCR
  • Calibration de quantization pour modèles OCR
  • Évaluation des modèles sur des documents PDF variés

‍

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Le dataset peut être enrichi avec des annotations manuelles supplémentaires (extraction de texte corrigé) pour améliorer la qualité des benchmarks et permettre des tâches d’entraînement supervisé.

‍

‍

🔎 En résumé

Critère Évaluation
🧩 Facilité d’utilisation⭐⭐⭐⭐✩ (Format PDF standard, facile à manipuler)
🧼 Besoin de nettoyage⭐⭐⭐⭐✩ (Modéré – qualité variable selon documents)
🏷️ Richesse des annotations⭐⭐✩✩✩ (Limitée – dataset sans annotations textuelles corrigées)
📜 Licence commerciale⚡ Oui (ODC-By)
👨‍💻 Idéal pour les débutants🌟 Oui – parfait pour tester OCR
🔁 Réutilisable en fine-tuning⚠️ Possible avec annotations supplémentaires
🌍 Diversité culturelleN/A Non spécifiée

‍

‍

🧠 Recommandé pour

  • Chercheurs OCR
  • Ingénieurs QA
  • Développeurs de modèles quantifiés

‍

‍

🔧 Outils compatibles

  • Tesseract
  • EasyOCR
  • PyTorch OCR pipelines

‍

‍

💡 Astuce

Combinez ce dataset avec des annotations corrigées pour un entraînement supervisé performant.

Questions fréquemment posées

Ce dataset contient-il des annotations textuelles corrigées ?

Non, il sert principalement au benchmarking et calibrage, sans annotations corrigées fournies.

Peut-on utiliser ce dataset pour entraîner un modèle OCR ?

Pas directement, sauf en ajoutant des annotations manuelles ou automatiques de qualité.

Quel est le format principal des fichiers ?

Le dataset est constitué de fichiers PDF représentant des documents variés.

Datasets similaires

Voir plus
Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.

Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.

Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.