ajanco/pesp

该数据集名为Pages of Early Soviet Performance (PESP)，主要包含早期苏联表演艺术相关的插图期刊的文本和图像研究数据。数据集是通过使用计算机视觉技术和YOLO实时对象检测模型生成的，旨在为十月革命后（1917-1932）苏联文化的研究提供新的途径。数据集来源于普林斯顿大学图书馆的数字PUL（DPUL），包含了10种期刊的526期，约26,000页的内容。数据集的处理过程包括文档分割、图像、文本、标题和混合文本区域的预测，以及使用多种OCR引擎进行文本提取。数据集中的每个图像条目包含文件名、期刊名称、年份、期号、URI、YOLO模型预测结果以及使用不同OCR引擎提取的文本等信息。

原始信息汇总

Pages of Early Soviet Performance (PESP) 数据集概述

数据集基本信息

• 语言: 俄语 (ru)
• 许可证: AFL-3.0
• 多语言性: 单语种
• 数据来源: 原始数据
• 任务类别: 其他

数据集描述

• 目的: 利用机器学习生成与早期苏联表演艺术相关的插图期刊数据集，通过计算机视觉技术和YOLO实时对象检测模型，生成文本和图像数据，以促进对十月革命后苏联文化的研究。
• 数据源: 普林斯顿大学图书馆的数字PUL（DPUL），包含10种期刊，总计526期，约26,000页。
• 数据内容: 包含文章、诗歌、编辑评论、广告以及图像、插图和图形艺术。

数据集创建

• 创建者: Natalia Ermolaev, Thomas Keenan, Katherine Reischl, Andrew Janco, Quinn Dombrowski, Antonina Puchkovskaia, Alexander Jacobson, Anastasiia Mamonova, Michael Galperin, Vladislav Tretyak
• 创建方法: 使用makesense.ai和自定义的"Mayakovsky"应用程序生成训练数据，用于YOLOv5模型的微调。

数据集结构

• 文件信息: 每个图像文件包含名称、DPUL链接、期刊名称、年份、期号、IIIF URI和YOLO模型预测结果。
• 预测结果: 包括预测标签、位置、尺寸以及通过ABBYY FineReader、Tesseract和Google Vision提取的文本。

使用示例

python from datasets import load_dataset

dataset = load_dataset(ajanco/pesp) for item in dataset[train]: for prediction in item[yolo_predictions]: print(prediction)