OCR_DataSet

综合OCR数据集资源库及工具集

文字识别数据集图像标注深度学习计算机视觉 Github 开源项目

OCR_DataSet项目整合了13个知名的多语言OCR数据集，涵盖ICDAR2015、MLT2019和COCO-Text_v2等。项目特色包括数据格式统一化、便捷的百度网盘下载、详尽的数据集信息表和简化的读取脚本。此外，项目还提供了数据生成工具链接，为OCR领域的研究和开发工作提供了全面的资源支持。

访问官网

Github

介绍相关项目

dataset - 摩洛哥方言Darija与英语双语开源数据集DODa

DODaDarijaGithub开源数据集开源项目摩洛哥方言自然语言处理

Darija Open Dataset (DODa)是一个专注于摩洛哥方言的开源项目，包含约15万条条目。该数据集提供语义和语法分类、多种拼写形式、词形变化以及大量翻译句子。DODa采用拉丁字母和阿拉伯字母，反映了Darija拼写的多样性，为自然语言处理应用提供了丰富资源。项目目标是成为Darija NLP的重要参考，并鼓励社区贡献。

Handwriting OCR - AI多语言手写文本识别与数字化平台

AI增强AI工具多语言支持手写OCR文本识别文档数字化

这是一款专业的手写文本识别和数字化工具，采用先进的AI驱动OCR技术。支持300多种语言，将手写文档快速转换为数字文本，错误率低于1%。提供AI增强的格式化结果，适用于人力资源、法律、医疗等多个行业。用户可通过云端仪表板上传文档，轻松导出为Word或Excel格式，显著提高工作效率和准确性。

OCRmyPDF - 扫描PDF文件的OCR转换与优化工具

GithubOCRmyPDFPDF文档多语言支持开源软件开源项目文字识别

OCRmyPDF是一款开源的命令行工具，专门用于为扫描PDF文件添加OCR文本层。它支持多语言识别、页面旋转和倾斜校正，并能生成符合长期存储标准的PDF/A文件。此工具可优化PDF图像，常常生成比原文件更小的输出。OCRmyPDF利用多核处理技术，能高效处理大型文档，已在数百万PDF文件上得到验证。它为用户提供了将不可搜索的扫描文档转换为可搜索、可复制的PDF文件的简便方法。

dclm - 大型语言模型训练与评估的开源综合框架

DataComp-LMGithub大语言模型开源项目数据处理模型训练评估

DataComp-LM是一个开源的大型语言模型训练和评估框架。它提供了超过300T的CommonCrawl标准语料库、基于open_lm的预训练方案和50多项评估指标。研究人员可利用该框架在411M至7B参数规模下进行数据集构建实验。通过数据集优化，DataComp-LM已显著提升了模型性能，创建了多个跨规模表现优异的高质量数据集。

ChineseWebText - 大规模中文网络文本数据集及其评估工具链

ChineseWebTextGithub开源项目数据评估模型网页文本处理自然语言处理高质量中文数据集

ChineseWebText是一个大规模中文网络文本数据集，总容量达1.42TB，每条文本均附带质量评分。该项目还提供了一个600GB的高质量子集，文本质量均超过90%。项目包含EvalWeb工具链，用于从原始网络数据中提取优质中文文本。EvalWeb通过数据准备、预处理和BERT评估模型对文本质量进行筛选和评估。此外，项目还开发了基于FastText的快速分类器，在保持性能的同时提高了处理效率。

awesome-synthetic-datasets - 大语言模型合成数据集资源汇总

CosmopediaGithubSelf-InstructTinyStories合成数据集大语言模型开源项目

该项目整理了大语言模型生成合成数据集的相关资源，包括教程、技术、数据集、工具和论文。涵盖TinyStories、Cosmopedia等数据集，以及Self-Instruct、AutoPrompt等技术，为AI研究和开发提供参考。

manga-ocr-base - 高精度日语漫画OCR模型支持多场景文本识别

GithubHuggingfaceManga OCR图像文本转换开源项目日本漫画日语文字识别模型视觉编码器解码器

manga-ocr-base是一款专为日语漫画开发的OCR模型，采用Vision Encoder Decoder框架。它不仅能识别垂直和水平文本，还可处理带振假名的文字和图像上的叠加文字。该模型适用于多种字体和样式，并能在低质量图像中保持高识别率。除漫画外，它还可用于一般日语印刷文本识别。该开源项目已在GitHub上发布，为日语文本识别领域提供了新的解决方案。

AI-Competition-Collections - 全面的AI竞赛经验和技巧开源资源集

AI比赛经验Github开源项目数据竞赛机器学习自然语言处理计算机视觉

这是一个综合性AI竞赛资源库，囊括计算机视觉、自然语言处理、语音识别等领域的比赛经验和技巧。项目汇总了顶级赛事的解决方案，同时提供竞赛平台和相关公众号信息。对AI开发者和竞赛参与者而言，此资源库提供了丰富的学习和参考材料。

Surface-Defect-Detection - 表面缺陷检测数据集及关键研究论文汇总

Github工业应用开源项目数据集深度学习表面缺陷检测计算机视觉

本项目汇总了表面缺陷检测领域的开源数据集和关键研究论文,包含2017年以来的重要文献。项目着重解决小样本和实时性问题,提供钢材、太阳能电池板、金属、PCB等多个工业领域的缺陷数据集。这些数据集支持缺陷分类、定位和分割任务,为工业视觉检测研究提供重要参考资源。

RecSysDatasets - 推荐系统公开数据集汇总及处理工具

GithubRecBole开源项目推荐系统数据处理数据集模型评估

RecSysDatasets是一个汇总公开推荐系统数据集的开源项目。该项目收集了电商、广告、电影等多个领域的数据集,并提供将数据集转换为统一格式的工具。这有助于研究人员更便捷地获取和使用各类推荐系统数据集,为算法开发和评估提供支持。项目与RecBole推荐系统库集成,便于进行算法测试。

相关项目

项目侧边栏1

项目侧边栏2

推荐项目

Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com

@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号