来自Bokete众包笑话网站的仅日语数据集,分为三项任务——文本到文本、图像到文本以及文本在图像中的完成,每项分别有500个图像提示(对应2355个答案)和各100个其他两项(≈900个答案),通过OCR处理并过滤不当内容。
其他语言的说明
统计
统计数据截至 2026年11月16日
Hugging Face 下载数(近 30 天)
1,000
Hugging Face 点赞数
4
收录日
2024年9月4日
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 2025年12月 | 2,000 |
| 2026年1月 | 103 |
| 2026年2月 | — |
| 2026年3月 | 111 |
| 2026年4月 | — |
| 2026年5月 | — |
| 2026年6月 | — |
| 2026年7月 | 529 |
| 2026年8月 | 141 |
| 2026年9月 | 8,000 |
| 2026年10月 | 436 |
| 2026年11月 | 1,000 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- u4-table-cell-qastockmark197一份多模态日语表格问答数据集,用于从年度证券报告表格中提取直接单元格值,提供图像、带边界框的 OCR 文本、问题和答案,并在 CC BY‑4.0 许可证下发布。
- MangaOCRhal-utokyo115一套结合Manga109和漫画拟声词集的漫画OCR数据集,包含约209 k个叙事文本实例,涵盖多样化的视觉风格和布局。
- Cauldron-JAturing-motors7kCauldron‑JA 是一个日语视觉‑语言数据集,包含 44 个子数据集,使用 DeepL API 从 The Cauldron 翻译而来,可通过 HuggingFace’s datasets library 获取,并与原始数据集使用相同的许可证,prompts 在 CC‑BY‑4.0 下发布。
- Galgame-VisualNovel-Reuploadjoujiboi5k为高效加载 Hugging Face datasets,重新结构化并重新上传 Galgame VisualNovel 数据集(OOPPEENN/5669737465666C656E63655F44617461337072657330),保留所有原始 audio/text,并提供带多种 game-subset 选项的 extraction script。
- JMMMUJMMMU3kJMMMU 是一个日语多模态基准,已扩大十倍至 1,320 个具有文化多样性的问题(720 个与文化无关,600 个与文化相关),由母语专家翻译,现在设有公开排行榜。
- STAIR-Captionsshunk0312kSTAIR‑Captions,发布于2017年,提供820,310条日语字幕,用于字幕生成、多模态检索和图像生成,并配有详细注释、元数据以及Creative Commons BY‑4.0 license。
研究领域相近的资源
pdmocrdataset-part1ndl-lab82在数字化资料OCR文本化业务中创建的OCR学习用数据集GitHub共同: OCR 与文档图像・语料库与数据集
ndl-minhon-ocrdatasetndl-lab22NDL古典籍OCR学习用数据集(大家一起翻刻加工数据)GitHub共同: OCR 与文档图像・语料库与数据集
pdmocrdataset-part2ndl-lab15OCR处理程序研究开发项目中创建的OCR学习数据集GitHub共同: OCR 与文档图像・语料库与数据集- manga-ocr-basekha-white299kManga OCR 是一款 Vision Encoder‑Decoder OCR 工具,可读取纵向和横向的日语漫画文本,包括 furigana,适用于多种字体和低质量图像,并且源代码可免费获取。HF 模型共同: OCR 与文档图像・图像与多模态
Pix2Textbreezedeus3.3k一个使用小型模型的开源 Python3 工具,可识别图像中的版面、表格、数学公式(LaTeX)与文字,并将其转换为 Markdown 格式,是 Mathpix 的免费替代方案,可无缝将视觉内容转换为文本表示,支持80多种语言。多语言共同: OCR 与文档图像・图像与多模态
manga-ocrkha-white2.8k关于日文文本的光学字符识别,主要关注于日本漫画。GitHub共同: OCR 与文档图像・图像与多模态