ReadingBank
给 OCR 文字排个正确阅读顺序，训练文档理解模型
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-09-30 · 当前星标 ★ 119
核心亮点
- 提供人工标注的阅读顺序真值，可直接用于监督训练
- 覆盖多栏、图文混排等复杂真实版式，检验模型泛化
- 作为公开基准，便于不同阅读顺序检测方法公平对比
不足之处
- 项目早期星标较少，社区生态和工具链尚不成熟
- 数据规模与版式覆盖范围可能有限，需关注后续更新
适用场景
- 训练 OCR 后处理模型，自动还原多栏文档的阅读顺序
- 评测版面分析算法在复杂版式下的阅读顺序准确率
- 为文档问答、信息抽取系统提供正确的文本序列输入
替代项目
PubLayNet、DocBank
上一篇：chess-openings
同类项目推荐
Chatette
开源
用模板语法一键生成海量 Rasa 训练语料，告别手工标注。
A powerful dataset generator for Rasa NLU, inspired by Chatito
Recommendations-Diffusion-Text-I···
开源
一册在手，快速掌握扩散模型在文本图像生成的全部前沿论文。
A paper collection of recent diffusion models for text-image generation tasks, e,g.,···
lora-dataset-studio
开源
一站式搞定 LoRA 数据集制作、训练与测试，本地免费运行
Free local LoRA training studio: build character, style and concept datasets from on···
awesome-instruction-datasets
开源
一站式找齐训练对话模型的指令数据集
A collection of awesome-prompt-datasets, awesome-instruction-dataset, to train ChatL···
datasets
开源
伊利诺伊大学精选数据集，Notebook 即开即用做实验
Various interesting datasets, mostly data from The University of Illinois
lightly-studio
开源
一站式搞定数据清洗、标注与版本管理，让模型训练更快更准。
LightlyStudio - The Unified Data Platform for Multimodal ML
VidProM
开源
百万真实提示词，让视频生成更懂用户
[NeurIPS 2024] VidProM: A Million-scale Real Prompt-Gallery Dataset for Text-to-Vide···
awesome-open-data-annotation
开源
一站式找到最合适的开源数据标注工具
Open Source Data Annotation & Labeling Tools
tech.ml.dataset
开源
用 Clojure 快速处理大数据集，像 pandas 一样高效
A Clojure high performance data processing system