Датасет · nvidia
Синтетический мультиязычный OCR-датасет от NVIDIA (с русским)
nvidia/OCR-Synthetic-Multilingual-v1
Десятки миллионов синтетических изображений для обучения распознаванию текста на 5 языках, включая русский.
Что внутри
Масштабный датасет от NVIDIA размером от 10 до 100 миллионов записей, сгенерированный с помощью модифицированного генератора SynthDoG для задач детекции и распознавания текста (OCR). Поддерживает английский, русский, китайский, японский и корейский языки; именно на этих данных обучалась модель Nemotron OCR v2.
Что можно сделать
- Обучение и дообучение моделей детекции и распознавания текста (OCR) с поддержкой русского языка
- Построение систем извлечения текста из документов для RAG-пайплайнов
- Задачи
- Детекция объектов, Картинка → текст
- Языки
- Английский, Японский, Корейский, Русский, Китайский
- Размер
- 10M–100M записей
- Скачиваний за месяц
- 17,5 тыс.
- Лайков
- 62
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("nvidia/OCR-Synthetic-Multilingual-v1")