swedish-public-domain-multimodal-sample
收藏资源简介：
该数据集是一个经过精心整理的高质量多模态真值样本，专为训练和微调下一代视觉语言模型（VLM）、文档AI以及高级手写文本识别（HTR）系统而设计。它弥合了复杂历史布局与完美数字对齐之间的鸿沟，特别针对历史瑞典语等小众语言。数据集的构建通过一个自定义的Python对齐流水线，涵盖了瑞典文学的两大支柱：Hjalmar Söderberg的《Doktor Glas》（1905年，手稿共278页）和Selma Lagerlöf的《Gösta Berlings saga》（1891年，手稿共382页）。为了克服历史手稿中常见的文本漂移问题，项目采用了基于锚点的对齐系统，在《Gösta Berlings saga》的126,886个单词文本中映射并验证了8个检查点锚点，确保文本与图像精确对齐。数据集的每条记录采用JSONL格式，包含字段：书名（bok_titel）、作者（forfattare）、页码（sida）、转录文本（text）以及图像URL（bild_url）。本仓库提供的是免费的结构化样本，用于格式验证和本地测试；完整的高分辨率数据集通过Compute-to-Data（CtD）沙箱框架进行商业化访问，企业客户可在隔离环境中部署训练脚本，仅导出模型检查点或LoRA适配器。该数据集的语言为瑞典语，规模小于1000条记录，适用于文本到图像和图像到文本任务，采用CC-BY-NC-SA 4.0许可证。
This dataset is a meticulously curated high-quality multimodal ground truth sample, designed for training and fine-tuning next-generation Vision-Language Models (VLM), document AI, and advanced Handwritten Text Recognition (HTR) systems. It bridges the gap between complex historical layouts and perfect digital alignment, specifically targeting niche languages such as historical Swedish. The dataset was constructed using a custom Python alignment pipeline and covers two pillars of Swedish literature: Hjalmar Söderbergs Doktor Glas (1905, manuscript of 278 pages) and Selma Lagerlöfs Gösta Berlings saga (1891, manuscript of 382 pages). To overcome the common issue of text drift in historical manuscripts, the project employs an anchor-based alignment system, mapping and verifying 8 checkpoint anchors across the 126,886-word text of Gösta Berlings saga to ensure precise alignment between text and images. Each record in the dataset is in JSONL format, containing fields: book title (bok_titel), author (forfattare), page number (sida), transcription text (text), and image URL (bild_url). This repository provides free structured samples for format validation and local testing; the full high-resolution dataset is accessible commercially through a Compute-to-Data (CtD) sandbox framework, where enterprise clients can deploy training scripts in an isolated environment and export only model checkpoints or LoRA adapters. The dataset language is Swedish, with fewer than 1000 records, suitable for text-to-image and image-to-text tasks, and is licensed under CC-BY-NC-SA 4.0.
瑞典历史手写多模态档案数据集（Ground Truth 样本）
数据集概览
这是由 LegacyDataLabs 构建的高质量、多模态的瑞典历史手写体数据集样本，专为训练和微调下一代视觉语言模型（VLMs）、文档AI和高级手写文本识别（HTR）系统而设计。数据集聚焦于世纪之交的瑞典文学手稿，解决复杂历史版面与现代数字对齐之间的鸿沟。
核心特性
- 数据规模：样本数量少于1K条
- 语言：瑞典语（sv）
- 任务类型：文生图（text-to-image）、图生文（image-to-text）
- 数据格式：生产级
.jsonl文件，按页同步映射 - 数据内容：高分辨率历史页面图像与数字文本转录的动态对齐
- 标签：历史文献、地面真值、多模态、视觉语言模型、手写体
技术架构
针对历史手稿中常见的删除段落、结构空白和图书馆档案元数据表导致的文本漂移问题，LegacyDataLabs 开发了基于锚点的对齐系统：
- 通过手动映射和验证每个文本语料库中的策略性检查点锚点，强制对齐引擎在关键页面节点动态重新校准文本边界
- 在整个页面结构节点上实现了 99%以上 的对齐准确率
- 有效缓解累积性文本漂移，并兼容历史拼写变体（如 öfver/över, sof/sov）
数据模式（JSONL）
每行数据遵循严格的结构化格式，可直接用于 PyTorch 或 Hugging Face datasets：
json { "bok_titel": "[书名]", "forfattare": "[作者]", "sida": [页码], "text": "与页面图像精确对应的地面真值文本片段...", "bild_url": "http://127.0.0[图片占位].jpg" }
许可与商业获取
- 公开样本：本仓库提供的文件为免费结构样本，用于格式验证、模式集成和本地测试
- 完整数据集：高分辨率生产级数据集通过专有的 Compute-to-Data（CtD） 框架进行商业化和安全保护
- 安全训练沙箱机制：
- 零网络进出：训练任务在带有
--network none内核级标志的严格 Docker 容器中执行 - 只读卷隔离：数据集仅以只读（ro）文件系统挂载，非 root 执行确保原始文本和图像无法被修改或复制
- 仅导出产物：脚本在系统内存中读取数据，仅将最终模型检查点或 LoRA 适配器导出到专用主机目录
- 零网络进出：训练任务在带有
- 商业许可费用：每本书一次性商业费用为 10,000 瑞典克朗（不含增值税），提供完整的沙箱执行时段；多书训练可享批量折扣
- 联系方式：
manuel.s46@hvilanutbildning.se
