一個僅包含日文的數據集,來自 Bokete crowdsourced joke 網站,分為三項任務——文字到文字、圖像到文字以及圖像中的文字完成,每項各有 100 個提示(約 900 答案),圖像到文字則有 500 個提示(2355 答案)。資料經過 OCR 處理並篩除不當內容。
其他語言的說明
統計
統計資料截至 2026年11月16日
Hugging Face 下載數(近 30 天)
1,000
Hugging Face 按讚數
4
收錄日
2024年9月4日
下載數(近 30 天)變化
以表格顯示
| 月份 | 下載(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 |
各月最後一次快照時的近 30 天下載數。
同分類的熱門資源
- u4-table-cell-qastockmark197一個多模態日語表格問答資料集,用於從年度證券報告表格中提取直接單元格值,提供圖像、帶邊界框的 OCR 文本、問題和答案,採用 CC BY‑4.0 許可。
- MangaOCRhal-utokyo115一個結合 Manga109 與漫畫擬音集的漫畫 OCR 數據集,包含約 209 k 個敘事文字實例,覆蓋多元化的視覺風格與版面。
- Cauldron-JAturing-motors7kCauldron‑JA 是一套日本視覺‑語言資料集,包含 44 個子資料集,這些子資料集是使用 DeepL API 將 The Cauldron 翻譯而成,通過 HuggingFace’s datasets library 可取得,授權條件與原始資料集完全相同,提示(prompts)則以 CC‑BY‑4.0 授權釋出。
- Galgame-VisualNovel-Reuploadjoujiboi5k重構後重新上傳 Galgame VisualNovel 資料集 (OOPPEENN/5669736E6F76656C5F44617461736574),為了提高 Hugging Face 資料集載入效率,保留所有原始音訊 / 文字,並提供一段提取腳本,支援多種遊戲子集選項。
- JMMMUJMMMU3kJMMMU 是一個日語多模態基準,已擴充十倍至 1,320 個文化多樣化問題 (720 個文化中立,600 個文化特定),由母語專家翻譯,現在擁有公開排行榜。
- STAIR-Captionsshunk0312kSTAIR‑Captions 在 2017 年發布,提供 820,310 條日語字幕,用於字幕生成、多模態檢索和圖像生成,並帶有詳細標註、元資料以及 Creative Commons BY‑4.0 license。
研究領域相近的資源
pdmocrdataset-part1ndl-lab82在數位化資料OCR文字化業務中所創建的OCR學習用資料集。GitHub共同: OCR 與文件影像・語料庫與資料集
ndl-minhon-ocrdatasetndl-lab22NDL古典籍OCR學習用數據集(大家一起翻刻加工數據)GitHub共同: OCR 與文件影像・語料庫與資料集
pdmocrdataset-part2ndl-lab15OCR處理程式研究開發項目中所建立的OCR學習用數據集。GitHub共同: OCR 與文件影像・語料庫與資料集- manga-ocr-basekha-white299kManga OCR 是一個 Vision Encoder‑Decoder OCR 工具,能閱讀垂直與水平的日語漫畫文字(包含振假名),適用於多種字體與低品質圖像,且源碼免費提供。HF 模型共同: OCR 與文件影像・影像與多模態
Pix2Textbreezedeus3.3k一個使用小型模型的開源 Python3 工具,可辨識影像中的版面、表格、數學公式(LaTeX)與文字,並將其轉換為 Markdown 格式,是 Mathpix 的免費替代方案,可無縫將視覺內容轉換為文字表示,支援80多種語言。多語言共同: OCR 與文件影像・影像與多模態
manga-ocrkha-white2.8k關於日文文字的光學字符識別,主要聚焦於日本漫畫。GitHub共同: OCR 與文件影像・影像與多模態