Darayut/khmer-textline-dataset

---
license: mit
task_categories:
- object-detection
language:
- km
tags:
- khmer
- cambodia
- document
- text-detection
- text-line
- synthetic
- YOLO
size_categories:
- 1K<n<10K
configs:
- config_name: default
data_files:
- split: train
path: data/train-*.parquet
- split: val
path: data/val-*.parquet
---

# Synthetic Khmer Document Text-Line Detection Dataset

Synthetic dataset for **single-class text-line detection** on Cambodian
(Khmer) official documents — press releases, ministry letters, formal memos.

Generated with a procedural Pillow-based pipeline featuring:
- **8 layout templates** (standard, letter, announcement, report, sparse,
two-column, memo, plain)
- **12 page sizes** from A5 to A4-landscape
- **Variable margins, font sizes, line spacing, and indentation**
- **Photometric augmentations** (brightness, blur, noise, JPEG, shadow, vignette, fold/crease)

## Class

| ID | Name | Description |
|----|------|-------------|
| 0 | `text_line` | Any horizontal line of text |

## Dataset statistics

| Split | Images |
|-------|--------|
| train | 1955 |
| val | 345 |

## Schema

```python
{
"image": Image(),
"image_id": Value("string"), # e.g. "kh_doc_000042"
"split": Value("string"), # "train" | "val"
"width": Value("int32"),
"height": Value("int32"),
"annotations": Sequence({
"bbox": Sequence(Value("float32"), length=4), # [cx,cy,w,h] normalised
"cls_id": Value("int32"), # always 0
}),
}
```

## Load with HF Datasets

```python
from datasets import load_dataset
ds = load_dataset("Darayut/khmer-textline-dataset")
sample = ds["train"][0]
print(sample["image"]) # PIL Image
print(sample["annotations"]) # dict of lists
```

## Raw YOLO files

`data/yolo_raw.zip` contains the native YOLO directory layout
(`images/`, `labels/`, `dataset.yaml`) for direct Ultralytics training:

```python
from huggingface_hub import hf_hub_download
import zipfile, pathlib

zip_path = hf_hub_download(
repo_id = "Darayut/khmer-textline-dataset",
filename = "data/yolo_raw.zip",
repo_type = "dataset",
)
with zipfile.ZipFile(zip_path) as zf:
zf.extractall("./khmer_doc_yolo")

# yolo train data=khmer_doc_yolo/dataset.yaml model=yolo11n.pt
```

许可证：MIT
任务类别：
- 目标检测
语言：
- 高棉语（km）
标签：
- 高棉语（Khmer）
- 柬埔寨
- 文档
- 文本检测
- 文本行
- 合成
- YOLO
样本量范围：
- 1000 < 样本量 < 10000
配置项：
- 配置名称：默认（default）
数据文件：
- 拆分：训练集（train）
路径：data/train-*.parquet
- 拆分：验证集（val）
路径：data/val-*.parquet

# 合成高棉语文本文本行检测数据集

本数据集为针对柬埔寨（高棉语）官方文档（包括新闻稿、部委公函、正式备忘录）的**单类别文本行检测**合成数据集。

本数据集基于Pillow的程序化生成流水线构建，具备以下特性：
- **8种布局模板**（标准型、信函型、公告型、报告型、稀疏型、双栏型、备忘录型、纯文本型）
- **12种页面尺寸**，覆盖从A5到横向A4的规格
- **可调整的页边距、字体大小、行间距与缩进**
- **光度增强操作**（亮度调整、模糊、噪声、JPEG压缩、阴影、暗角、折痕模拟）

## 类别
| 编号 | 名称 | 描述 |
|----|------|-------------|
| 0 | `text_line` | 任意水平文本行 |

## 数据集统计信息
| 数据集拆分 | 图像数量 |
|-------|--------|
| 训练集 | 1955 |
| 验证集 | 345 |

## 数据结构
python
{
"image": Image(), # 图像对象
"image_id": Value("string"), # 示例："kh_doc_000042"
"split": Value("string"), # 取值为 "train"（训练集）或 "val"（验证集）
"width": Value("int32"), # 图像宽度
"height": Value("int32"), # 图像高度
"annotations": Sequence({
"bbox": Sequence(Value("float32"), length=4), # [cx,cy,w,h] 归一化边界框
"cls_id": Value("int32"), # 类别编号，固定为0
}),
}

## 使用Hugging Face Datasets加载
python
from datasets import load_dataset
ds = load_dataset("Darayut/khmer-textline-dataset")
sample = ds["train"][0]
print(sample["image"]) # 加载PIL图像对象
print(sample["annotations"]) # 打印注释信息（列表形式的字典）

## 原生YOLO格式文件
`data/yolo_raw.zip` 包含原生YOLO目录结构（`images/`、`labels/`、`dataset.yaml`），可直接用于Ultralytics模型训练：
python
from huggingface_hub import hf_hub_download
import zipfile, pathlib

zip_path = hf_hub_download(
repo_id = "Darayut/khmer-textline-dataset",
filename = "data/yolo_raw.zip",
repo_type = "dataset",
)
with zipfile.ZipFile(zip_path) as zf:
zf.extractall("./khmer_doc_yolo")

# 训练命令：yolo train data=khmer_doc_yolo/dataset.yaml model=yolo11n.pt