Датасет · AlbertoChestnut
Сканы книг и тексты для OCR на языке телугу
AlbertoChestnut/telugu-ocr
Около 25,5 тысяч пар из отсканированных книжных страниц и выверенного текста на языке телугу из Викитеки.
Что внутри
Корпус собран из 221 книги на языке телугу, взятых из проекта Telugu Wikisource, и весит около 11 ГБ. Внутри лежат около 25 565 пар файлов: изображения страниц в формате JPG и соответствующие им расшифровки текста в UTF-8, сделанные людьми. Распространяется под лицензией CC BY-SA 4.0.
Что можно сделать
- Обучение и дообучение моделей OCR для распознавания письменности телугу
- Оценка качества существующих систем оцифровки книг на редких языках
- Задачи
- Картинка → текст
- Языки
- te
- Размер
- 100K–1M записей
- Скачиваний за месяц
- 30,5 тыс.
- Лайков
- 1
Как загрузить
from datasets import load_dataset
ds = load_dataset("AlbertoChestnut/telugu-ocr")