Датасет · biglam
Иллюстрированные страницы Британской энциклопедии
biglam/britannica-illustrated-pages
Свыше 115 тыс. страниц с иллюстрациями из исторических изданий Британской энциклопедии (1768–1929).
Что внутри
Датасет содержит изображения, табличные данные и текст на английском языке, охватывая от 1 до 10 млн записей по метаданным. Основная часть включает 115 293 отсканированные страницы с иллюстрациями из 1–14 изданий энциклопедии (1768–1929 гг.), отобранные классификатором из 975 345 страниц (1 160 томов с Internet Archive). Вторая конфигурация хранит оценки классификатора, подсчёт слов OCR и метаданные происхождения для всех 975 345 страниц; при этом 82% иллюстрированных страниц содержат от 100 слов OCR с врезанными схемами и гравюрами.
Что можно сделать
- Обучение классификаторов страниц и детекторов исторических гравюр и диаграмм
- Тестирование OCR и систем анализа сложной вёрстки старинных печатных изданий
- Задачи
- Картинка → текст, Классификация картинок
- Языки
- Английский
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 963
- Лайков
- 51
Как загрузить
from datasets import load_dataset
ds = load_dataset("biglam/britannica-illustrated-pages")