К содержимому

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")