Teklia/HOME-Alcar-line

HOME-Alcar（对齐和注释的契约书）数据集是一个中世纪的手稿语料库。该语料库中的17本中世纪手稿是契约书，即复制宪章和法律法案的书籍，产生于12至14世纪。所有图像都被调整为128像素的固定高度。数据集的语言为拉丁语。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，文本是图像的标签转录。数据集分为训练集、验证集和测试集，分别包含59969、7905和6932个样本。

原始信息汇总

HOME-Alcar - line level 数据集概述

数据集描述

HOME-Alcar (Aligned and Annotated Cartularies) 数据集是一个中世纪手稿语料库，包含17本中世纪的特许状和法律文书抄本，时间跨度为12世纪到14世纪。所有图像都被调整为固定高度128像素。

语言

数据集中的所有文档都是用拉丁文书写的。

数据集结构

数据实例

json { "image": "<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=4300x128 at 0x1A800E8E190>", "text": "quatre mille livres de tournoiz poiez, si com¬" }

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，因此建议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。

数据集信息

• 特征:
  • image: 图像类型，数据类型为 image。
  • text: 文本类型，数据类型为 string。
• 分割:
  • train: 训练集，包含 59969 个样本。
  • validation: 验证集，包含 7905 个样本。
  • test: 测试集，包含 6932 个样本。
• 数据集大小: 74806 个样本。
• 标签:
  • atr
  • htr
  • ocr
  • historical
  • handwritten