К содержимому

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")