一份公民科学数据集,包含 1,169,304 条已转录的日语历史行,来源于 79,086 张 IIIF 页面图像,以约 1 GB 的 WebDataset 分片形式提供,每个分片含有高度为 256 像素的 JPEG 行裁剪以及相应元数据,适用于训练/验证/测试划分。
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)
660
Hugging Face 点赞数
2
收录日
2026年8月9日
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 2025年12月 | — |
| 2026年1月 | — |
| 2026年2月 | — |
| 2026年3月 | — |
| 2026年4月 | — |
| 2026年5月 | — |
| 2026年6月 | — |
| 2026年7月 | — |
| 2026年8月 | 549 |
| 2026年9月 | 238 |
| 2026年10月 | 589 |
| 2026年11月 | 660 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- 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。
- ogiri-boketeYANS-official1k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。
- JMMMU-ProJMMMU1kJMMMU‑Pro 是一个基于图像的日语多模态基准,通过使用真实模型生成视觉问题并进行人工验证创建,揭示当前开源 LMM 在其上的表现不佳,并提供了一种成本效益高的未来 VQA 基准开发方法。
研究领域相近的资源
- Wiki-JA-Pairllm-jp643由 jawiki-20250501 文章构建的日本维基百科图像说明数据集,包含1,054,434个唯一(图片,说明)对和1,047,565张已下载图片,附有尺寸、哈希值、页面信息等元数据,并且下载成功率为99.35%。共同: 语料库与数据集・图像与多模态
- MOMIJIturing-motors594一个名为MOMIJI的日语网页文档和图像数据集(≈5600万页,1100亿字符,2.49亿张图片),旨在训练视觉语言模型,并配有交互式可视化工具和用于生成文本字段的实用脚本。共同: 语料库与数据集・图像与多模态
- anime-with-caption-cc0alfredplpl541AI生成的动漫插图,使用英文提示,并基于Phi‑3 Vision的字幕(英文和日文),已发布到公共领域,供免费使用。共同: 语料库与数据集・图像与多模态
- manga109-segmentationmayocream352Manga109 Segmentation 是一个 v2.0.0 仅注释的数据集,提供漫画文字、拟声词气泡、面板、包含关系和日语转录的 COCO RLE 掩码,并更新了监督文本掩码、清理过的正样本以及书籍无关划分;图像需单独从 Manga109 集合中获取。共同: 语料库与数据集・图像与多模态
- WAONspeed281WAON 是一个大型、高质量的日语图文配对数据集,采用尺寸、SigLIP‑score 过滤和去重(按 URL、标题和 pHash)构建,并在 HuggingFace 上以 Apache 2.0 许可证公开,用于信息分析。共同: 语料库与数据集・图像与多模态
hiragana_mojigazondl-lab18文字图像数据集(平假名73个字符版)GitHub共同: 语料库与数据集・图像与多模态