Teklia/Belfort-line

Belfort-line数据集包含法国贝尔福市市政会议记录的文本行。这些文本行是通过自动模型提取的，可能存在分割错误。转录文本是通过众包活动获得的。所有图像都被调整为固定的128像素高度。数据集的结构包括图像和文本两个字段，图像是PIL.Image.Image对象，文本是图像的转录标签。数据集的语言为法语。

原始信息汇总

数据集概述

数据集名称

Belfort-line

数据集简介

Belfort数据集包含法国贝尔福市市政会议的记录。文本行是通过自动模型提取的，可能包含分割错误。转录是通过使用Callico网络平台进行的众包活动获得的。

语言

数据集中的所有文档均为法语。

数据集结构

数据实例

json { image: <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=4300x128 at 0x1A800E8E190>, text: les intérêts des 30000 francs jusquau moment de la }

数据字段

• image: 一个PIL.Image.Image对象，包含图像。注意，当访问图像列（使用dataset[0]["image"]）时，图像文件会自动解码。解码大量图像文件可能会花费大量时间，因此应先查询样本索引再访问"image"列，即dataset[0]["image"]应始终优先于dataset["image"][0]。
• text: 图像的标签转录。

数据集特征

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

数据集分割

• 训练集: 97883个样本
• 验证集: 4519个样本
• 测试集: 2829个样本

数据集大小

105231个样本

标签

• atr
• htr
• ocr
• historical
• handwritten