Tifinagh-OCR-200k
收藏资源简介：
Tifinagh OCR 200k数据集是一个包含20万张合成图像的综合集合，专门用于训练和评估针对Tifinagh文字的OCR（光学字符识别）和视觉语言模型。该数据集旨在支持Amazigh（柏柏尔）语言相关的研究与应用，涵盖了多种Tifinagh语言变体，如zgh、tzm、shi、gha、shy、mzb。数据集中每张图像均为PNG格式，采用矩形布局，并经过优化处理，具有动态缩放和文本居中特性。为增强多样性，数据集包含了多种背景颜色与文本颜色的组合，以及来自IRCAM、Tawalt、Madghis Madi等来源的不同字体样式。每个样本均附带详细的元数据，存储在metadata.jsonl文件中，包括图像文件路径、Tifinagh转录真值文本、背景颜色、文本颜色和唯一图像标识符。元数据已随机打乱，便于在数据探索工具中直观呈现多样的字体和风格。该数据集适用于多种任务，如Tifinagh OCR模型的训练与评估、Amazigh语言的文档理解、视觉语言模型的验证，以及跨不同排版风格的鲁棒性测试。数据集创建于2026年，采用Apache-2.0开源许可证，由Hugging Face平台上的@Tamazight项目贡献者Aksel Tinfat创建。
The Tifinagh OCR 200k dataset is a comprehensive collection of 200,000 synthetic images, specially developed for training and evaluating Optical Character Recognition (OCR) models and visual language models targeting the Tifinagh script. This dataset aims to support research and applications related to the Amazigh (Berber) language, covering multiple Tifinagh language variants including zgh, tzm, shi, gha, shy, and mzb. Each image in the dataset is in PNG format, adopts a rectangular layout, and has been optimized with dynamic scaling and centered text. To enhance data diversity, the dataset includes various combinations of background and text colors, alongside different font styles sourced from IRCAM, Tawalt, Madghis Madi, and other providers. Every sample is paired with detailed metadata stored in the metadata.jsonl file, which contains the image file path, Tifinagh ground truth transcription, background color, text color, and unique image identifier. The metadata has been randomly shuffled to enable intuitive display of diverse fonts and typographic styles in data exploration tools. This dataset supports a wide array of tasks, such as training and evaluating Tifinagh OCR models, document understanding for Amazigh language, validation of visual language models, and robustness testing across different typographic styles. Developed in 2026 under the Apache-2.0 open-source license, the dataset was created by Aksel Tinfat, a contributor to the @Tamazight project hosted on the Hugging Face platform.
数据集名称
Tifinagh OCR 200k
数据集概述
Tifinagh OCR 200k 是一个专为提非纳文字（Tifinagh script）识别任务设计的高保真合成数据集，包含20万个独特的样本，旨在为视觉-语言模型的训练和微调提供坚实基础。
关键亮点
- 大规模：包含20万张合成图像。
- 字体多样性：覆盖广泛的字体类型。
- 视觉鲁棒性：包含档案纹理和噪声模拟。
- 几何优化：实现动态文本居中。
数据模式
数据集包含以下字段：
| 字段名 | 类型 | 描述 |
|---|---|---|
| file_name | string | 相对路径 |
| text | string | Unicode 真实标注文本 |
| pic_ID | int | 标识符 |
快速开始
可通过 Hugging Face datasets 库直接加载：
python
from datasets import load_dataset
ds = load_dataset("Tamazight/Tifinagh-OCR-200K")
print(ds["train"][150]["text"])
研究应用
- OCR 训练：作为深度学习模型的基础训练数据。
- 文档分析：用于阿马齐格（Amazigh）文本数字化的预训练。
语言
支持以下语言：zgh, tzm, ber, shi, gha, shy, mzb。
任务类别
涵盖图像到文本、图像-文本到文本、图像特征提取。
标签
包括 ocr, tifinagh, tamazight, document-understanding, vision-language, synthetic-data。
数据集规模
样本数量介于 20万 到 100万 之间。
许可协议
采用 Apache License 2.0 许可协议。
创建信息
- 创建年份：2026年
- 组织：HuggingFace 上的 Tamazight Project
- 创建者：@Aksel Tinfat
Unicode 范围
2D30-2D7F（提非纳文字 Unicode 区块）。
