seanghay/khmerfonts-info-previews

---
license: cc-by-4.0
language:
- km
pretty_name: khmerfonts

dataset_info:
features:
- name: file_name
dtype: image
- name: text
dtype: string
---

## Dataset Info

**Total files**: 26,591 files == (`(num_fonts * num_sentences) - num_0_byte_fonts - num_error_image`)

**Total fonts**: 2,972 fonts

**Total sentences**: 10

## Dataset Creation Info

All images were downloaded from [khmerfonts.info](https://khmerfonts.info) by using a script below:

```python
with open("filelist.txt", "w") as outfile:
items = [
f"https://www.khmerfonts.info/preview.php?font={font + 1}&sample={sample + 1}\n\tout=khmerfonts-{font + 1}-{sample + 1}.png"
for font in range(2972) # maximum id at the moment
for sample in range(10)
]
outfile.write("\n".join(items))
```

Download all files using `aria2c`

```shell
aria2c -i filelist.txt -d data -j16
```

Find 0-byte files and delete

```shell
find data/ -size 0 -delete
```

```python
sentences = [
"ជាតិពាលមិនដឹងគួរ គ្មានគេសួរសោកចង់ជាក់ ឆ្លើយឆ្លងផងរាក់ទាក់ ក្បួនហិនលក្ខណ៍ធ្លាក់លើខ្លួន ។",
"ចងអ្វីមិនជាប់ស្មើសង្សារ ការអ្វីមិនស្មើការប្រតិបត្តិ ស្ងាត់អ្វីមិនស្មើចិត្តអរហត្ត កាចអ្វីមិនស្មើចិត្តពាលា ។",
"ចំណេះវិជ្ជាលោកចែងចាត់ ទុកជាសម្បត្តិសំបូរបាន ទោះបីក្រក្សត់អត់ប៉ុន្មាន គង់តែបានគ្រាន់អាស្រ័យ ។",
"ឈ្លោះគ្នាក្នុងគ្រួសារ ដូចស្រាតកាយាបង្ហាញញាតិ ឈ្លោះគ្នាក្នុងសង្គមជាតិ ដូចលាតកំណប់បង្ហាញចោរ ។",
"ជាប់ជ្រួលច្រវាក់ភក្ត្រស្រស់ស្រាយ គួរខ្លាចខ្លួនក្លាយជាក្លៀវក្លា វង្វេងផ្លូវមិនសួរនរណា តនឹងបច្ចាឥតអាវុធ ។",
"កុំគិតតែរៀនចង់ធ្វើមន្ត្រី ស្អប់ខ្ពើមភក់ដីនាំអោយក្រ ត្រូវរៀនធ្វើជាកសិករ ទើបមានទ្រព្យតទៅខាងក្រោយ ។",
"ជនណាទ្រាំអត់ ខន្តីសង្កត់ រក្សាមាយាទ មិនខឹងផ្ដេសផ្ដាស ពួកបណ្ឌិតជាតិ សរសើរជាអាទ៍ ថាអ្នកធ្ងន់ធ្ងរ ។",
"ជនពាលដល់ពេលកើតកលិយុគ ទេវតាឲ្យទុក្ខចាំផ្ដន្ទា ពួកប្រាជ្ញសប្បរសកាន់ធម្មា ដល់ពេលទុក្ខាទេវតាជួយ ។",
"ចង់ល្អហួសមាឌ ចង់បានហួសខ្នាតកំរិតមាត្រា មិនបានដូចប៉ង បំណងប្រាថ្នា ខូចទាំងទ្រព្យា គួរបានក៏បង់ ។",
"ជាតិមនុស្សពាលពោលមិនពិត កុំយកធ្វើមិត្តខាតរបស់ មនុស្សសុចរិតចិត្តសប្បុរស ស្រឡាញ់ស្មោះចិត្តឲ្យស្មើ ។",
]
```

原始信息汇总

数据集信息

许可证

• 许可证: cc-by-4.0

语言

• 语言: 高棉语 (km)

数据集名称

• 名称: khmerfonts

数据集特征

• 特征:
  • 名称: file_name
    • 数据类型: image
  • 名称: text
    • 数据类型: string

数据集详情

• 总文件数: 26,591 文件
• 总字体数: 2,972 字体
• 总句子数: 10

数据集创建信息

• 所有图像从 khmerfonts.info 下载，使用以下脚本生成文件列表并下载：

python with open("filelist.txt", "w") as outfile: items = [ f"https://www.khmerfonts.info/preview.php?font={font + 1}&sample={sample + 1} out=khmerfonts-{font + 1}-{sample + 1}.png" for font in range(2972) # maximum id at the moment for sample in range(10) ] outfile.write(" ".join(items))

• 使用 aria2c 下载所有文件：

shell aria2c -i filelist.txt -d data -j16

• 查找并删除 0 字节文件：

shell find data/ -size 0 -delete

• 句子列表：

python sentences = [
"ជាតិពាលមិនដឹងគួរ គ្មានគេសួរសោកចង់ជាក់ ឆ្លើយឆ្លងផងរាក់ទាក់ ក្បួនហិនលក្ខណ៍ធ្លាក់លើខ្លួន ។", "ចងអ្វីមិនជាប់ស្មើសង្សារ ការអ្វីមិនស្មើការប្រតិបត្តិ ស្ងាត់អ្វីមិនស្មើចិត្តអរហត្ត កាចអ្វីមិនស្មើចិត្តពាលា ។", "ចំណេះវិជ្ជាលោកចែងចាត់ ទុកជាសម្បត្តិសំបូរបាន ទោះបីក្រក្សត់អត់ប៉ុន្មាន គង់តែបានគ្រាន់អាស្រ័យ ។", "ឈ្លោះគ្នាក្នុងគ្រួសារ ដូចស្រាតកាយាបង្ហាញញាតិ ឈ្លោះគ្នាក្នុងសង្គមជាតិ ដូចលាតកំណប់បង្ហាញចោរ ។", "ជាប់ជ្រួលច្រវាក់ភក្ត្រស្រស់ស្រាយ គួរខ្លាចខ្លួនក្លាយជាក្លៀវក្លា វង្វេងផ្លូវមិនសួរនរណា តនឹងបច្ចាឥតអាវុធ ។", "កុំគិតតែរៀនចង់ធ្វើមន្ត្រី ស្អប់ខ្ពើមភក់ដីនាំអោយក្រ ត្រូវរៀនធ្វើជាកសិករ ទើបមានទ្រព្យតទៅខាងក្រោយ ។", "ជនណាទ្រាំអត់ ខន្តីសង្កត់ រក្សាមាយាទ មិនខឹងផ្ដេសផ្ដាស ពួកបណ្ឌិតជាតិ សរសើរជាអាទ៍ ថាអ្នកធ្ងន់ធ្ងរ ។", "ជនពាលដល់ពេលកើតកលិយុគ ទេវតាឲ្យទុក្ខចាំផ្ដន្ទា ពួកប្រាជ្ញសប្បរសកាន់ធម្មា ដល់ពេលទុក្ខាទេវតាជួយ ។", "ចង់ល្អហួសមាឌ ចង់បានហួសខ្នាតកំរិតមាត្រា មិនបានដូចប៉ង បំណងប្រាថ្នា ខូចទាំងទ្រព្យា គួរបានក៏បង់ ។", "ជាតិមនុស្សពាលពោលមិនពិត កុំយកធ្វើមិត្តខាតរបស់ មនុស្សសុចរិតចិត្តសប្បុរស ស្រឡាញ់ស្មោះចិត្តឲ្យស្មើ ។", ]

搜集汇总

数据集介绍

构建方式

在数字字体设计领域，高棉语字体的视觉呈现与文本数据的结合对于光学字符识别及多语言处理研究具有重要价值。本数据集通过自动化脚本从khmerfonts.info网站系统性地采集了高棉语字体预览图像，覆盖了2,972种字体，每种字体均生成10个固定高棉语句子的渲染图像。下载过程中利用aria2c工具进行高效批量获取，并通过后续清理步骤移除了零字节文件，最终形成了包含26,591个有效图像-文本对的结构化集合。

特点

该数据集的核心特征在于其专注于高棉语这一资源相对稀缺的语言，提供了大规模、多样化的字体视觉样本。数据集中每个图像均对应一个标准化的高棉语文本句子，这些句子选自传统文化格言，兼具语言规范性与文化代表性。图像格式统一为PNG，确保了视觉质量的一致性，而文本部分则采用Unicode编码，支持高棉语字符的准确处理。这种结构为跨字体文本识别、字体风格分析及多模态学习提供了理想的基础资源。

使用方法

研究人员可将该数据集应用于高棉语光学字符识别模型的训练与评估，尤其适用于跨字体泛化能力的研究。在具体使用中，用户可通过HuggingFace数据集库直接加载，利用`file_name`字段访问图像数据，`text`字段获取对应的高棉语文本。该数据集支持端到端的图像-文本配对任务，也可用于字体分类、文本生成图像等计算机视觉与自然语言处理交叉领域的研究。预处理时需注意图像尺寸可能存在的差异，建议进行标准化处理以优化模型输入。

背景与挑战

背景概述

在数字时代，高棉语文字处理与字体识别技术面临独特挑战，源于其复杂的字形结构和丰富的书写传统。seanghay/khmerfonts-info-previews数据集由独立研究者于近期构建，旨在系统收集高棉语字体样本，以支持光学字符识别、字体分类及自然语言处理等跨领域研究。该数据集涵盖2,972种字体，每种字体生成10个经典高棉语句子的图像，总计26,591个文件，为高棉语数字文化遗产的保存与智能化应用提供了关键资源。

当前挑战

该数据集致力于解决高棉语字体多样性识别与标准化处理的难题，其挑战在于高棉语字形的高度变异性与连字规则，增加了自动识别模型的训练复杂度。构建过程中，研究者需应对网络爬取时字体预览图像的动态生成问题，包括处理零字节文件与服务器响应异常，同时确保句子样本在文化代表性上的平衡，以维持数据质量与语言覆盖的完整性。

常用场景

经典使用场景

在柬埔寨语（高棉语）文字处理与字体设计领域，seanghay/khmerfonts-info-previews数据集为研究者提供了丰富的视觉资源。该数据集收录了来自khmerfonts.info网站的2,972种高棉语字体样本，每种字体均以10句经典柬埔寨语格言呈现为图像，总计26,591个文件。这些样本直观展示了不同字体在高棉语字符渲染中的形态差异，为字体识别、光学字符识别（OCR）系统开发以及多语言排版研究奠定了数据基础。

衍生相关工作

基于此数据集，已衍生出若干聚焦高棉语文字技术的经典研究。例如，有工作利用其图像文本对训练端到端的高棉语字体识别模型，探索卷积神经网络在复杂文字字形分类中的有效性；另有研究结合该数据集与多语言OCR框架，改进对低资源语言的文本检测精度。这些工作不仅深化了对高棉语文字计算特性的理解，也为其他类似文字系统的处理提供了可迁移的方法论参考。

数据集最近研究

最新研究方向

在低资源语言处理领域，高棉语字体识别数据集seanghay/khmerfonts-info-previews正推动光学字符识别技术的边界。该数据集整合了2972种字体样式下的文本图像，为多字体环境下的文字检测与识别模型提供了关键训练资源。前沿研究聚焦于利用深度学习架构，如卷积神经网络与Transformer的混合模型，以提升对复杂字形变体的泛化能力。相关热点事件涉及数字文化遗产保护，该数据集支持高棉语古籍文献的自动化转录，对促进东南亚语言技术生态发展具有深远意义。