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")