NVIDIA本次发布的数据集OCR-Synthetic-Multilingual-v1，OCR-Synthetic-Multilingual-v1 是一个大规模合成的多语言OCR训练数据集，专为文本检测和识别任务设计。该数据集由NVIDIA Corporation使用经过大量修改和扩展的SynthDoG（合成文档生成器）工具生成，支持英语、日语、韩语、俄语、简体中文和繁体中文六种语言。数据集采用HDF5格式存储，每个文件包含图像数据、文本标注、图像尺寸、完整文本标签、JPEG质量参数和样本ID等信息。标注信息采用JSON格式，包含单词级、行级和段落级的边界框标注以及阅读顺序图。数据集总样本量超过1200万，存储容量达5.45TB，按语言分为不同子目录，每个语言又分为训练集、测试集和验证集。该数据集被用于训练Nemotron OCR v2模型，适用于机器学习研究人员和AI工程师进行OCR相关研究，采用CC BY 4.0许可协议，允许商业和非商业用途。
查看OCR-Synthetic-Multilingual-v1
Dataset card内容：
Files and versions内容：
关于NVIDIA，英伟达是一家专注于图形处理器开发的全球知名技术公司。
关于HuggingFace，Hugging Face是一个机器学习社区协作平台，专注于模型、数据集和应用程序的开发与分享。它提供了丰富的资源，包括超过100万个模型、25万个数据集和40万个应用程序，支持文本、图像、视频、音频和3D等多种模态。此外，平台还提供企业级解决方案和开源工具，如Transformers、Diffusers等，以加速机器学习的研究和应用。
_1769672084863.jpg)