К содержимому

Датасет · CATMuS

Средневековые рукописи для распознавания текста (HTR)

CATMuS/medieval

Изображения средневековых манускриптов и их текстовые расшифровки на шести европейских языках.

Что внутри

Датасет содержит от 100 тысяч до 1 миллиона пар из изображений рукописей и соответствующего им машиночитаемого текста. В выборке представлены материалы на французском, английском, нидерландском, итальянском, испанском и каталанском языках. Проект создан для унификации эталонной разметки при распознавании сложных исторических почерков.

Что можно сделать

  • Обучение моделей распознавания рукописного текста (HTR и OCR)
  • Дообучение мультимодальных моделей (VLM) для работы с историческими документами
  • Оценка качества оцифровки архивов на разных европейских языках
Задачи
Картинка → текст
Языки
Французский, Английский, Нидерландский, Итальянский, Испанский, ca
Размер
100K–1M записей
Скачиваний за месяц
3 тыс.
Лайков
31

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("CATMuS/medieval")