Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 | 31 |
Tags
- 일론 머스크
- ChatGPT
- LLM
- LORA
- 뉴럴링크
- 오픈AI
- 티스토리챌린지
- 시간적 일관성
- 인공지능
- ControlNet
- 오블완
- AI
- 트랜스포머
- 우분투
- 메타
- 멀티모달
- TRANSFORMER
- 아두이노
- tts
- 서보모터
- 딥러닝
- 가상환경
- 휴머노이드 로봇
- ubuntu
- AI 기술
- 확산 모델
- PYTHON
- 생성형 AI
- OpenAI
- 딥마인드
Archives
- Today
- Total
AI 탐구노트
PDFA-ENG-WDS : 영어 위주의 대규모 OCR 데이터셋 본문
PDF 문서에서 텍스트와 이미지 정보를 추출하여 기계 학습에 적합한 형태로 제공하는 데이터셋
PDFA-ENG-WDS는 PDF 문서에서 텍스트와 이미지 정보를 추출하여 기계 학습에 적합한 형태로 제공하는 데이터셋입니다.
이 데이터셋은 텍스트와 이미지의 바운딩 박스 정보를 포함한 OCR 주석을 제공하며, 주로 영어 문서를 대상으로 필터링되었습니다. 이미지-텍스트 멀티모달 학습에 사용될 수 있으며, 데이터셋 크기는 약 1.5TB 로, 대규모 학습에 최적화된 형식으로 제공된다고 합니다. 웹 데이터셋(WDS) 형식으로 제공되어 효율적인 다운로드와 처리가 가능합니다.
아래 그림은 PDF에서 바운딩 박스 정보를 포함한 OCR 데이터를 추출한 데이터 예시를 보여주고 있습니다.
이 데이터셋은 영어 PDF 문서에서 텍스트와 이미지 데이터를 추출한 대규모 데이터셋이긴 하지만, 데이터셋의 언어 별 분포 그래프를 보면 아주 일부지만 독일어, 프랑스어, 스페인어, 이탈리아어, 일본어 등의 다른 언어도 포함되어 있긴 합니다.
'AI 기술' 카테고리의 다른 글
HivisionIDPhotos : ID사진(증명사진)을 생성해 주는 도구 (0) | 2024.09.06 |
---|---|
FLUXMusic : 텍스트-음악 생성 모델 (1) | 2024.09.05 |
STYLEGANEX : StyleGAN의 제약을 해결한 모델 (0) | 2024.09.03 |
VIMA : 로봇팔을 제어하는 에이전트 (0) | 2024.09.03 |
SAM2Point : 3D 분할 수행 모델 (0) | 2024.09.03 |