ipo-images
收藏资源简介：
SEC IPO (S-1/F-1) 图像数据集是一个大规模、带标签的数据集，包含从美国证券交易委员会（SEC）EDGAR系统中提取的76,000多张图像，涵盖1994年至2026年的IPO注册声明（S-1和F-1文件）。每张图像都通过多阶段流程进行分类：首先使用YOLOv8进行初始检测，然后由8个视觉语言模型（VLM）组成的集合进行验证。图表图像还包括描述图表类型、视觉属性和内容的结构化元数据。数据集包含以下标签：图表（如条形图、折线图、饼图等）、标志（公司标志和品牌标记）、地图（地理地图）、信息图（结合数据、图标和文本的复合视觉展示）和其他（装饰性图像、照片、签名等）。数据集字段包括图像与分类信息、图表详细信息（仅限图表）、公司与文件元数据以及来源URL。该数据集适用于图像分类、目标检测和图像特征提取等任务，特别适合金融和SEC文件分析。
The SEC IPO (S-1/F-1) Image Dataset is a large-scale, labeled dataset containing over 76,000 images extracted from the U.S. Securities and Exchange Commission (SEC) EDGAR system, covering IPO registration statements (S-1 and F-1 filings) from 1994 to 2026. Each image is classified via a multi-stage pipeline: initial detection using YOLOv8, followed by validation using an ensemble of 8 vision-language models (VLMs). Chart images also include structured metadata describing chart type, visual attributes, and content. The dataset includes the following labels: charts (e.g., "bar charts", "line charts", "pie charts", etc.), logos (company logos and brand marks), maps (geographic maps), infographics (composite visual displays combining data, icons, and text), and others (decorative images, photographs, signatures, etc.). The dataset fields include image and classification information, chart details (for chart images only), company and document metadata, and source URLs. This dataset is suitable for tasks such as image classification, object detection, and image feature extraction, and is particularly well-suited for financial and SEC document analysis.
SEC IPO (S-1/F-1) 图像数据集概述
数据集基本信息
- 数据集名称: SEC IPO (S-1/F-1) Image Dataset
- 数据集规模: 76,000+ 图像
- 数据来源: 美国证券交易委员会（SEC）EDGAR系统中提交的IPO注册声明（S-1和F-1文件）
- 时间跨度: 1994年至2026年
- 许可协议: CC BY 4.0
- 主要语言: 英语
- 任务类别: 图像分类、目标检测、图像特征提取
- 标签: 金融、SEC
- 规模类别: 10K<n<100K
数据内容与标注
数据集包含从美国IPO文件中提取的图像，每张图像都通过一个多阶段流程进行了分类：首先使用YOLOv8进行初始检测，然后由8个视觉语言模型（VLM）组成的集成模型进行验证。图表图像还包含描述图表类型、视觉属性和内容的结构化元数据。
图像标签类别
| 标签 | 描述 |
|---|---|
chart |
条形图、折线图、饼图、组织结构图、流程图等 |
logo |
公司徽标和品牌标识 |
map |
地理地图 |
infographic |
结合数据、图标和文本的复合视觉展示 |
other |
装饰性图像、照片、签名和其他不可分类的视觉内容 |
数据字段说明
图像与分类字段
file_name: 图像文件的相对路径label: 最终验证的图像类别initial_yolo_prediction: YOLOv8目标检测模型的原始分类llm_yolo_verification_score: VLM集成模型验证YOLO预测的共识分数（0.0–1.0）llm_yolo_verification_votes: 用于验证的8个VLM中每个模型的投票结果image_width: 图像宽度（像素）image_height: 图像高度（像素）
图表详情字段（仅图表图像）
llm_chart_details: 图表图像的结构化属性llm_chart_details_votes: 图表细节提取的每个模型投票结果
公司与文件元数据字段
company_name: 提交IPO的公司名称company_tickers: 股票代码（如提交时可用）cik: SEC中央索引密钥sic: 标准行业分类代码industry: 从SIC代码得出的人类可读行业描述office: 负责审查文件的SEC办公室exchanges: 公司上市的证券交易所filing_type: SEC表格类型filing_date: 文件提交日期filing_accession_number: 文件的唯一SEC登记号
来源URL字段
image_url: SEC EDGAR上图像的直接URLfiling_url: SEC EDGAR上源文件文档的URL
引用信息
如果使用此数据集，请引用： bibtex @misc{galarnyk2026ipomine, title = {IPO-Mine: A Toolkit and Dataset for Section-Structured Analysis of Long, Multimodal IPO Documents}, author = {Galarnyk, Michael and Lohani, Siddharth and Nandi, Sagnik and Patel, Aman and Kannan, Vidhyakshaya and Banerjee, Prasun and Routu, Rutwik and Ye, Liqin and Hiray, Arnav and Somani, Siddhartha and Chava, Sudheer}, year = {2026}, url = {https://huggingface.co/datasets/gtfintechlab/ipo-images}, note = {Preprint/Working Paper} }
