К содержимому

Датасет · gksriharsha

Крупный датасет для OCR на языке телугу

gksriharsha/chitralekha

Десятки миллионов пар изображений текста и расшифровок для обучения систем распознавания символов на языке телугу.

Что внутри

Датасет содержит от 10 до 100 миллионов пар картинок и текстов для задачи image-to-text (OCR). Все данные представлены на языке телугу (te). Автор вручную вычистил из набора примеры со сломанным рендерингом шрифтов и некорректными лигатурами.

Что можно сделать

  • Обучение и дообучение OCR-моделей для распознавания письменности телугу
  • Оценка качества мультимодальных моделей при чтении текста на малоресурсных языках
Задачи
Картинка → текст
Языки
te
Размер
10M–100M записей
Скачиваний за месяц
21,6 тыс.
Лайков
11

Как загрузить

from datasets import load_dataset

ds = load_dataset("gksriharsha/chitralekha")