Датасет · RevolutionCrossroads
Архив американских газет 1770–1810 годов с OCR
RevolutionCrossroads/loc_chronicling_america_1770-1810
Страницы исторических газет США с изображениями, оригинальным и нейросетевым распознаванием текста.
Что внутри
Датасет собран из цифровой коллекции Библиотеки Конгресса США Chronicling America и охватывает газеты 1770–1810 годов на английском языке. В каждой записи постранично собраны сканы, старый OCR, новый OCR от ИИ и метаданные публикаций (от 10 до 100 тысяч записей).
Что можно сделать
- Обучение и проверка OCR-моделей на старинной типографике
- Информационный поиск и анализ исторических текстов XVIII–XIX веков
- Задачи
- Картинка → текст, Поиск по текстам, Классификация текста, Эмбеддинги
- Языки
- Английский
- Размер
- 10K–100K записей
- Скачиваний за месяц
- 27,4 тыс.
- Лайков
- 8
Как загрузить
from datasets import load_dataset
ds = load_dataset("RevolutionCrossroads/loc_chronicling_america_1770-1810")