CORD-v2 数据集简介

概述

CORD-v2 是由 NAVER Clova IX 团队发布的数据集，主要用于文档理解与信息提取任务，特别是针对收据类文档。

主要用途

该数据集旨在支持光学字符识别（OCR）后的结构化信息提取研究与应用开发，例如：
- 收据关键字段（如商家、日期、金额、商品条目）的自动识别与解析
- 文档视觉问答（Document VQA）
- 端到端的文档理解模型训练

数据类型与模态

• 模态：图像 + 文本
• 数据包含收据的扫描图像以及对应的OCR识别文本和结构化标注信息。

规模与统计

• 数据集包含 1000 个样本（行）。
• 数据格式为 Parquet。
• 在社区中较受欢迎（下载量约 4900+，点赞 112）。

适用场景

适合计算机视觉、自然语言处理及多模态学习领域的研究者与开发者，用于训练和评估文档信息提取模型。