К содержимому

Датасет · VoiceOfML

Архив электронных книг и документов на китайском языке

VoiceOfML/VOMEBOOK

Хранилище отсканированных книг и документов проекта VOMEBOOK для поиска и работы с текстовыми архивами.

Что внутри

В репозитории собрано от 10 до 100 тысяч объектов в модальностях документов и изображений, судя по описанию — архив электронных книг на китайском языке. Для навигации по файлам авторы предусмотрели веб-поисковики, а сам репозиторий позволяет скачивать только списки имён файлов без загрузки тяжёлых архивов.

Что можно сделать

  • Обучение и тестирование систем распознавания текста (OCR) на китайских книгах
  • Парсинг структуры многостраничных документов и макетов страниц
  • Пополнение текстовых корпусов на китайском языке для предобучения LLM
Размер
10K–100K записей
Скачиваний за месяц
446,8 тыс.
Лайков
18

Как загрузить

from datasets import load_dataset

ds = load_dataset("VoiceOfML/VOMEBOOK")