ai-forever/Peter

Digital Peter是一个具有历史背景的教育任务，基于多种AI技术（计算机视觉、自然语言处理和知识图谱）创建。该任务是与俄罗斯科学院圣彼得堡历史研究所（N.P.Lihachov大厦）、俄罗斯联邦档案局和俄罗斯国家古代档案局共同准备的。数据集包含662张全页图像和9696个注释文本文件，共有265788个符号和大约50998个单词。数据集注释采用COCO格式，包含类别、图像和注释信息，用于训练检测和OCR模型，以及从页面读取文本的端到端模型。

语言：
- 俄语
许可证：
- MIT许可证
源数据集：
- 原始数据集
任务类别：
- 图像分割
- 目标检测
任务子类型：无
标签：
- 光学字符识别（Optical Character Recognition，OCR）
- 文本检测
- OCR

# 数字彼得（Digital Peter）

彼得数据集可用于识别彼得大帝所撰手稿中的文本。该数据集的标注包含用于训练检测模型与OCR模型的端到端标注方案，同时也配套了用于从页面中提取文本的端到端模型。

相关论文可访问：http://arxiv.org/abs/2103.09354

## 数据集概况

数字彼得（Digital Peter）是一项兼具历史属性的教育任务，其构建基于多项人工智能技术，包括计算机视觉（Computer Vision）、自然语言处理（Natural Language Processing，NLP）以及知识图谱（knowledge graphs）。本任务由俄罗斯科学院圣彼得堡历史研究所（N.P.利哈乔夫公馆旧址）、俄罗斯联邦档案署以及俄罗斯国家古代档案库联合打造。

如需了解该任务的详细说明（含任务背景深度解析），可查阅[detailed_description_of_the_task_en.pdf](https://github.com/sberbank-ai/digital_peter_aij2020/blob/master/desc/detailed_description_of_the_task_en.pdf)

本数据集包含662张完整页面图像与9696个标注文本文件，总计标注265788个字符与约50998个单词。

## 标注格式

标注采用COCO格式。`annotation["categories"]`：包含类别信息的字典列表，涵盖类别名称与类别索引。
- `annotation["images"]`：描述图像信息的字典列表，每个字典需包含以下字段：
- `file_name`：图像文件的文件名。
- `id`：图像唯一标识符。
- `annotation["annotations"]`：包含标注信息的字典列表。每个字典对应数据集中的一个多边形标注，需包含以下字段：
- `image_id`：该多边形所属图像的索引。
- `category_id`：该多边形的类别索引。
- `attributes`：包含额外标注信息的字典，其中`translation`子字典存储了对应文本行的译文。
- `segmentation`：多边形的坐标信息，由一组数值构成，每两个数值为一组x、y坐标对。

## 赛事情况

我们曾基于本数据集举办相关赛事。相关GitHub仓库链接：[https://github.com/sberbank-ai/digital_peter_aij2020](https://github.com/sberbank-ai/digital_peter_aij2020)，赛事页面链接：[https://ods.ai/tracks/aij2020](https://ods.ai/tracks/aij2020)（需注册后访问）

原始信息汇总

数据集概述

数据集名称

• Digital Peter

语言

• 俄语 (ru)

许可证

• MIT

数据来源

• 原始数据 (original)

任务类别

• 图像分割
• 目标检测

标签

• 光学字符识别 (optical-character-recognition)
• 文本检测 (text-detection)
• OCR

数据集描述

• 用于从彼得大帝手稿中读取文本的训练数据集。
• 包含662张全页图像和9696个标注文本文件。
• 共有265788个符号和约50998个单词。

标注格式

• 使用COCO格式。
• annotation.json 包含以下字典：
  • annotation["categories"] - 类别信息列表。
  • annotation["images"] - 图像描述列表，包含文件名和图像ID。
  • annotation["annotations"] - 标注信息列表，描述每个多边形，包含图像ID、类别ID、属性和分割坐标。