К содержимому

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")