К содержимому

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")