Датасет · ieasybooks-org
Оцифрованная библиотека исламских книг на арабском языке
ieasybooks-org/shamela-waqfeya-library
Корпус из более чем 4,6 тысяч книг на арабском языке (свыше 5 млн страниц) с извлечённым текстом.
Что внутри
Датасет на арабском языке объёмом от 1 000 до 10 000 записей (включает 12 877 PDF-файлов по 4 661 книге из библиотеки Shamela Waqfeya, всего более 5,1 млн страниц). Исходные документы обработаны через Google Document AI API, а извлечённые тексты сохранены в форматах TXT и DOCX. Данные организованы по более чем 40 тематическим категориям.
Что можно сделать
- Обучение и оценка систем OCR и распознавания документов на арабском языке
- Пополнение корпусов для предобучения арабоязычных языковых моделей
- Задачи
- Картинка → текст
- Языки
- Арабский
- Размер
- 1K–10K записей
- Скачиваний за месяц
- 170,3 тыс.
- Лайков
- 12
Как загрузить
from datasets import load_dataset
ds = load_dataset("ieasybooks-org/shamela-waqfeya-library")