Датасет · Yesianrohn
Крупный датасет для OCR по фото и рукописям
Yesianrohn/OCR-Data
Сборник из 14 открытых бенчмарков для распознавания и детекции текста на изображениях.
Что внутри
Внутри собрано от 100 тысяч до 1 миллиона примеров с картинками и текстом на английском и китайском языках. Датасет объединяет 14 публичных бенчмарков со сценами из жизни и рукописными документами. Для каждого текстового фрагмента на изображении есть расшифровка, прямоугольный bounding box и точные координаты полигона. Данные сохранены в формате parquet.
Что можно сделать
- Обучение и дообучение моделей OCR для распознавания текста в сложных условиях
- Тренировка детекторов текстовых областей с точными границами (полигонами)
- Проверка качества распознавания рукописных документов на английском и китайском
- Задачи
- Детекция объектов, Картинка → текст
- Языки
- Китайский, Английский
- Размер
- 100K–1M записей
- Скачиваний за месяц
- 1 тыс.
- Лайков
- 11
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("Yesianrohn/OCR-Data")