К содержимому

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")