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
- medieval-data/trocr-medieval-baseКартинка → текст 1,5 тыс.
- mradermacher/Medusa0.1Line-9B-GGUF 308
- mradermacher/Medusa0.1Line-4B-GGUF 269
- mradermacher/qwen2-vl-2b-catmus-GGUF 255
- ENC-PSL/Medusa0.2Line-4BКартинка → текст 86
- ENC-PSL/Medusa0.2Line-9BКартинка → текст 56
- medieval-data/trocr-medieval-latin-carolineКартинка → текст 40
- ENC-PSL/Medusa0.1Line-4BКартинка → текст 31
Как загрузить
from datasets import load_dataset
ds = load_dataset("CATMuS/medieval")