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")