CnMFD_Dataset

CnMFD_Dataset 是利用合成技术生成的包含数学公式的中文文档数据集，可用于训练数学公式检测模型。CnMFD_Dataset 包含了不同字体的总共 17500 页文档，其中各字体对应的文档页数如下：

字体名称	文档页面数量
Adobe-SongTi-Std-L-2	2000
Arial Unicode	500
Fangsong	2000
Kaiti	2000
Microsoft Yahei	1000
msyh	1000
msyhbd	1000
PingFang	2000
Songti	2000
STHeiti Medium	2000
Zhongsong	2000

本项目中提供了 CnMFD_Dataset样例数据，完整数据集大小为 3.6G，下载地址为 CnMFD_Dataset @ Kaggle 。

几个效果示例图片：

文件格式说明

主目录下包含两个文件夹：

• images：存储不同字体对应的文档图片；
• labels：存储同名文档图片对应的数学公式标签（所在位置）；

├── images
│   ├── Adobe-SongTi-Std-L-2
│   ├── Arial\ Unicode
│   ├── Fangsong
│   ├── Kaiti
│   ├── Microsoft\ Yahei
│   ├── PingFang
│   ├── STHeiti\ Medium
│   ├── Songti
│   ├── Zhongsong
│   ├── msyh
│   └── msyhbd
└── labels
    ├── Adobe-SongTi-Std-L-2
    ├── Arial\ Unicode
    ├── Fangsong
    ├── Kaiti
    ├── Microsoft\ Yahei
    ├── PingFang
    ├── STHeiti\ Medium
    ├── Songti
    ├── Zhongsong
    ├── msyh
    └── msyhbd

label文件中每行对应一个数学公式类别和所在位置，每列以空格分割：

<class_id> <xmin> <ymin> <xmax> <ymin> <xmax> <ymax> <xmin> <ymax>

其中 <class_id> 含义为：

• 0：行内公式，即 embedding formula；
• 1：独立行公式，即 isolated formula。

而 <xmin>、<xmax> 对应公式所在位置的最小和最大 x 值（已归一化：绝对值除以图片宽度），取值范围为 [0, 1]；类似地， <ymin>、<ymax> 对应归一化后的最小和最大 y 值（已归一化：绝对值除以图片高度）。

可视化工具

可以使用提供的脚本 visualize.py 可视化效果。此脚本依赖Python 包 numpy, pillow, opencv。使用以下命令安装依赖包和运行脚本：

$ pip install numpy pillow opencv-python
$ python visualize.py -i examples/CnMFD_Dataset/images/PingFang/syndoc-page4.jpg -l examples/CnMFD_Dataset/labels/PingFang/syndoc-page4.txt -o
output-vis4.jpg

脚本 visualize.py 使用说明：

$ python visualize.py --help
usage: visualize.py [-h] [-i IMAGE_FP] [-l LABEL_FP] [-o OUTPUT_FP]

optional arguments:
  -h, --help            show this help message and exit
  -i IMAGE_FP, --image-fp IMAGE_FP
                        the file path of one page image
  -l LABEL_FP, --label-fp LABEL_FP
                        the label file path corresponding to the page image
  -o OUTPUT_FP, --output-fp OUTPUT_FP
                        the file path of the output image after labelling math formulas

致谢与引用

CnMFD_Dataset 中使用的文字来自公开的Wiki数据，数学公式抽取自 IBEM Mathematical Formula Detection Dataset ，感谢作者们。

本数据集遵循开源协议 Attribution 4.0 International (CC BY 4.0) 。

使用 CnMFD_Dataset 请引用：

 @misc{breezedeus_2022,
	title={CnMFD_Dataset},
	url={https://www.kaggle.com/dsv/4752383},
	DOI={10.34740/KAGGLE/DSV/4752383},
	publisher={Kaggle},
	author={breezedeus},
	year={2022}
}

给作者来杯咖啡

开源不易，如果此项目对您有帮助，可以考虑 给作者来杯咖啡 ☕️ 。

---

官方代码库：https://github.com/breezedeus/CnMFD_Dataset。