newspaper-ocr-gold
收藏Hugging Face2026-03-23 更新2026-03-24 收录
下载链接：
https://huggingface.co/datasets/NealCaren/newspaper-ocr-gold
下载链接
链接失效反馈官方服务：
资源简介：
该数据集名为 'newspaper-ocr-gold'，是一个用于历史报纸扫描的黄金标准OCR训练数据集。数据集包含13,371条经过Qwen3-VL 235B验证的行级转录文本，以及从100页报纸中提取的行裁剪PNG图像，覆盖了73种独特标题，时间跨度为1840年代至2010年代。数据按页面划分为训练集（80%）、验证集（10%）和测试集（10%），具体分布为：训练集11,044行，验证集1,111行，测试集1,216行。数据集的主要特征包括图像、转录文本、分辨率、比例、宽度、高度、页面ID、行ID、置信度和标志。数据质量方面，49%为干净数据，47%为部分数据（行在单词边界处截断），3%为退化数据，平均置信度为0.95。数据集的使用示例包括下载和提取图像及元数据文件。
创建时间：
2026-03-22
