Датасет · pathnirvana
Датасет OCR для сингальских и палийских книг
pathnirvana/sinhala-pali-ocr
Сканы старых буддийских текстов на сингальском и пали в паре с вычитанными транскрипциями для OCR.
Что внутри
Представляет собой отсканированные страницы старых книг (в основном буддийских текстов 1870–2000 годов) на сингальском и палийском языках, объединенные с вычитанными UTF-8 транскрипциями. Объем — от 1K до 10K примеров.
Что можно сделать
- Fine-tuning моделей постраничного OCR (например, LightOnOCR-2)
- Распознавание и оцифровка редких печатных изданий на сингальском шрифте
- Задачи
- Картинка → текст
- Языки
- si, pi
- Размер
- 1K–10K записей
- Скачиваний за месяц
- 320
- Лайков
- 5
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("pathnirvana/sinhala-pali-ocr")