К содержимому

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")