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：
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
└── msyhbdlabel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embeddingformula；1：独立行公式，即isolatedformula。
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 formulasCnMFD_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}
}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 ☕️ 。