阿拉伯语视觉文档图谱数据集

计算机视觉
0 下载
2 浏览
2026-10-16

数据集简介

资源构成与规模

Bayanat Arabic Document Atlas 以视觉化阿拉伯语文档为核心,包含三类相互关联的数据:

  • 文档图像:100,286 张唯一文档图像,以 JPEG 页面字节形式存储;
  • 机器词记录:30,006,520 条由机器 OCR 产出的词级记录;
  • 社区归属文本记录:26,629 条带归属信息的社区文本记录。

三类数据共同构成从页面图像到词级文本的完整链路,图像数量与词记录数量之间呈现大规模文档集合的对应关系。

页面图像与文本定位

每张文档图像以 JPEG 页面字节提供,保留原始页面的视觉形态。在此基础上,数据集给出机器 OCR 文本,并附带近似词定位与行序信息,使词级文本能够与页面图像中的大致位置和阅读顺序相对应。对于需要精确溯源的情况,资源还提供精确的源 PDF 与清单文件,用于在页面图像、OCR 文本与原始文档之间建立可核对的参照。

数据组织与使用方式

该数据集以文档图像为组织单位,将 JPEG 页面字节、机器 OCR、近似词定位与行序、精确源 PDF 及清单文件整合在同一资源体系内。使用者可以按页面图像索引获取对应的文本与定位信息,也可借助源 PDF 与清单文件回溯原始文档。数据托管于 Hugging Face 平台,可通过数据集页面获取。

引用与版本信息

该数据集由 Bayanat-Labs 发布,发布或更新日期为 2026 年 10 月 16 日。在公开页面中引用本资源时,建议注明数据集名称 Bayanat Arabic Document Atlas 与发布机构 Bayanat-Labs。

基本信息

记录数量100,286 张唯一文档图像;30,006,520 条机器词记录;26,629 条社区归属文本记录
文件大小未知
文件格式JPEG
数据来源Bayanat-Labs
图像数量100,286 张
机器词记录30,006,520 条
社区文本记录26,629 条
发布机构Bayanat-Labs
发布日期2026-10-16
数据落地页https://huggingface.co/datasets/Bayanat-Labs/arabic-document-atlas
阿拉伯语文档文档图像机器OCR词级定位视觉文档资源

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费