SemanticExtraction/proper_dataset_small

---
dataset_info:
features:
- name: key
dtype: string
- name: image
dtype: image
- name: json
struct:
- name: images_bbox
sequence:
sequence: float64
- name: images_bbox_no_text_overlap
sequence:
sequence: float64
- name: lines
struct:
- name: bbox
sequence:
sequence: float64
- name: score
sequence: float64
- name: text
sequence: string
- name: word_slice
sequence:
sequence: int64
- name: words
struct:
- name: bbox
sequence:
sequence: float64
- name: line_pos
sequence:
sequence: int64
- name: score
sequence: float64
- name: text
sequence: string
- name: predictions
dtype: string
- name: lang
dtype: string
- name: raw_json
dtype: string
- name: valid_pydantic_model
dtype: bool
splits:
- name: train
num_bytes: 17591703.0
num_examples: 128
download_size: 14683135
dataset_size: 17591703.0
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息（dataset_info）：
特征列表（features）：
- 名称：键（key），数据类型：字符串
- 名称：图像（image），数据类型：图像数据类型
- 名称：JSON结构体（json），数据类型为结构体，包含以下子字段：
- 图像边界框（images_bbox）：二维双精度浮点数（float64）序列序列
- 无文本重叠图像边界框（images_bbox_no_text_overlap）：二维双精度浮点数（float64）序列序列
- 行信息（lines）：结构体，包含以下子字段：
- 边界框（bbox）：二维双精度浮点数（float64）序列序列
- 置信度得分（score）：双精度浮点数（float64）序列
- 文本内容（text）：字符串序列
- 词语切片（word_slice）：二维64位整数（int64）序列序列
- 词语信息（words）：结构体，包含以下子字段：
- 边界框（bbox）：二维双精度浮点数（float64）序列序列
- 行位置（line_pos）：二维64位整数（int64）序列序列
- 置信度得分（score）：双精度浮点数（float64）序列
- 文本内容（text）：字符串序列
- 名称：预测结果（predictions），数据类型：字符串
- 名称：语言（lang），数据类型：字符串
- 名称：原始JSON（raw_json），数据类型：字符串
- 名称：合法Pydantic模型（valid_pydantic_model），数据类型：布尔值
数据拆分（splits）：
- 拆分名称：训练集（train），字节数：17591703.0，样本数量：128
下载大小：14683135，数据集总大小：17591703.0
配置项（configs）：
- 配置名称：默认配置（default），数据文件：
- 对应拆分：训练集（train），文件路径：data/train-*