Hugging Face's logo

Datasets:
wanderkid
/
UniMER_Dataset

Languages:
English
Chinese
Size:
1M<n<10M
ArXiv:
Tags:
data
math
MER
License:
Dataset card Files Community
wanderkid commited on
Commit
f278f8e
•
1 Parent(s): fd6f02a

Update README.md

Browse files
Files changed (1) hide show
  1. README.md +59 -59
README.md CHANGED
@@ -1,62 +1,3 @@
1
- # UniMER 数据集
2
- ## 简介
3
- UniMER数据集是专门为通用数学表达式识别（MER）发布的数据集。它包含了真实全面的UniMER-1M训练集，拥有超过一百万个代表广泛和复杂数学表达式的实例，以及精心设计的UniMER测试集，用于在真实世界场景中评估MER模型。数据集详情如下：
4
-
5
- - **UniMER-1M 训练集：**
6
- - 总样本数：1,061,791
7
- - 组成：简洁与复杂、扩展公式表达式的平衡融合
8
- - 目标：帮助训练鲁棒性强、高精度的MER模型，增强识别准确性和模型泛化能力
9
-
10
- - **UniMER 测试集：**
11
- - 总样本数：23,757，分为四种表达式类型：
12
- - 简单印刷表达式（SPE）：6,762 个样本
13
- - 复杂印刷表达式（CPE）：5,921 个样本
14
- - 屏幕截图表达式（SCE）：4,774 个样本
15
- - 手写表达式（HWE）：6,332 个样本
16
- - 目的：为MER模型提供一个全面的评估平台，以准确评估真实场景下各类公式识别能力
17
-
18
- ## 视觉数据样本
19
- ![UniMER-测试集](https://github.com/opendatalab/UniMERNet/assets/69186975/7301df68-e14c-4607-81bc-b6ee3ba1780b)
20
-
21
- ## 数据统计
22
- | **数据集** | **子集** | **来源** | **样本数量** |
23
- |:-----------:|:-------:|:-------------------------------------------:|:------------:|
24
- | UniMER-1M | | Pix2tex 训练集 | 158,303 |
25
- | | | Arxiv † | 820,152 |
26
- | | | CROHME 训练集 | 8,834 |
27
- | | | HME100K 训练集 ‡ | 74,502 |
28
- | UniMER-测试集 | SPE | Pix2tex 验证集 | 6,762 |
29
- | | CPE | Arxiv † | 5,921 |
30
- | | SCE | PDF 截图 † | 4,742 |
31
- | | HWE | CROHME & HME100K | 6,332 |
32
-
33
- † 表示由我们团队收集、处理和注释的数据。
34
- ‡ 由于版权合规，请手动下载此部分数据集：[HME100K 数据集](https://ai.100tal.com/dataset)。
35
-
36
- ## 致谢
37
- 我们对[Pix2tex](https://github.com/lukas-blecher/LaTeX-OCR), [CROHME](https://www.cs.rit.edu/~rlaz/files/CROHME+TFD%E2%80%932019.pdf)和[HME100K](https://github.com/tal-tech/SAN) 数据集的创建者表示感谢。他们的基础工作对 UniMER 数据集的构建及发布做出了重大贡献。
38
-
39
- ## 引用
40
- ```text
41
- @misc{wang2024unimernet,
42
- title={UniMERNet: A Universal Network for Real-World Mathematical Expression Recognition},
43
- author={Bin Wang and Zhuangcheng Gu and Chao Xu and Bo Zhang and Botian Shi and Conghui He},
44
- year={2024},
45
- eprint={2404.15254},
46
- archivePrefix={arXiv},
47
- primaryClass={cs.CV}
48
- }
49
-
50
- @misc{conghui2022opendatalab,
51
- author={He, Conghui and Li, Wei and Jin, Zhenjiang and Wang, Bin and Xu, Chao and Lin, Dahua},
52
- title={OpenDataLab: Empowering General Artificial Intelligence with Open Datasets},
53
- howpublished = {\url{https://opendatalab.com}},
54
- year={2022}
55
- }
56
- ```
57
-
58
- ---
59
-
60
  # UniMER Dataset
61
  ## Introduction
62
  The UniMER dataset is a specialized collection curated to advance the field of Mathematical Expression Recognition (MER). It encompasses the comprehensive UniMER-1M training set, featuring over one million instances that represent a diverse and intricate range of mathematical expressions, coupled with the UniMER Test Set, meticulously designed to benchmark MER models against real-world scenarios. The dataset details are as follows:
@@ -116,3 +57,62 @@ We would like to express our gratitude to the creators of the [Pix2tex](https://
116
  year={2022}
117
  }
118
  ```
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
  # UniMER Dataset
2
  ## Introduction
3
  The UniMER dataset is a specialized collection curated to advance the field of Mathematical Expression Recognition (MER). It encompasses the comprehensive UniMER-1M training set, featuring over one million instances that represent a diverse and intricate range of mathematical expressions, coupled with the UniMER Test Set, meticulously designed to benchmark MER models against real-world scenarios. The dataset details are as follows:
 
57
  year={2022}
58
  }
59
  ```
60
+
61
+ ---
62
+
63
+ # UniMER 数据集
64
+ ## 简介
65
+ UniMER数据集是专门为通用数学表达式识别（MER）发布的数据集。它包含了真实全面的UniMER-1M训练集，拥有超过一百万个代表广泛和复杂数学表达式的实例，以及精心设计的UniMER测试集，用于在真实世界场景中评估MER模型。数据集详情如下：
66
+
67
+ - **UniMER-1M 训练集：**
68
+ - 总样本数：1,061,791
69
+ - 组成：简洁与复杂、扩展公式表达式的平衡融合
70
+ - 目标：帮助训练鲁棒性强、高精度的MER模型，增强识别准确性和模型泛化能力
71
+
72
+ - **UniMER 测试集：**
73
+ - 总样本数：23,757，分为四种表达式类型：
74
+ - 简单印刷表达式（SPE）：6,762 个样本
75
+ - 复杂印刷表达式（CPE）：5,921 个样本
76
+ - 屏幕截图表达式（SCE）：4,774 个样本
77
+ - 手写表达式（HWE）：6,332 个样本
78
+ - 目的：为MER模型提供一个全面的评估平台，以准确评估真实场景下各类公式识别能力
79
+
80
+ ## 视觉数据样本
81
+ ![UniMER-测试集](https://github.com/opendatalab/UniMERNet/assets/69186975/7301df68-e14c-4607-81bc-b6ee3ba1780b)
82
+
83
+ ## 数据统计
84
+ | **数据集** | **子集** | **来源** | **样本数量** |
85
+ |:-----------:|:-------:|:-------------------------------------------:|:------------:|
86
+ | UniMER-1M | | Pix2tex 训练集 | 158,303 |
87
+ | | | Arxiv † | 820,152 |
88
+ | | | CROHME 训练集 | 8,834 |
89
+ | | | HME100K 训练集 ‡ | 74,502 |
90
+ | UniMER-测试集 | SPE | Pix2tex 验证集 | 6,762 |
91
+ | | CPE | Arxiv † | 5,921 |
92
+ | | SCE | PDF 截图 † | 4,742 |
93
+ | | HWE | CROHME & HME100K | 6,332 |
94
+
95
+ † 表示由我们团队收集、处理和注释的数据。
96
+ ‡ 由于版权合规，请手动下载此部分数据集：[HME100K 数据集](https://ai.100tal.com/dataset)。
97
+
98
+ ## 致谢
99
+ 我们对[Pix2tex](https://github.com/lukas-blecher/LaTeX-OCR), [CROHME](https://www.cs.rit.edu/~rlaz/files/CROHME+TFD%E2%80%932019.pdf)和[HME100K](https://github.com/tal-tech/SAN) 数据集的创建者表示感谢。他们的基础工作对 UniMER 数据集的构建及发布做出了重大贡献。
100
+
101
+ ## 引用
102
+ ```text
103
+ @misc{wang2024unimernet,
104
+ title={UniMERNet: A Universal Network for Real-World Mathematical Expression Recognition},
105
+ author={Bin Wang and Zhuangcheng Gu and Chao Xu and Bo Zhang and Botian Shi and Conghui He},
106
+ year={2024},
107
+ eprint={2404.15254},
108
+ archivePrefix={arXiv},
109
+ primaryClass={cs.CV}
110
+ }
111
+
112
+ @misc{conghui2022opendatalab,
113
+ author={He, Conghui and Li, Wei and Jin, Zhenjiang and Wang, Bin and Xu, Chao and Lin, Dahua},
114
+ title={OpenDataLab: Empowering General Artificial Intelligence with Open Datasets},
115
+ howpublished = {\url{https://opendatalab.com}},
116
+ year={2022}
117
+ }
118
+ ```