中文简介
amrosama/al-lataif-al-musawwara-magazine-ocr 是 amrosama 在 Hugging Face 发布的数据集仓库,当前卡片主要关联图像理解、图像分割。本站固定记录上游版本 a9c80107de25,同步到 14 个文件,文件元数据合计 4.49 GB;访问状态为“公开”,许可证字段为“cc-by-4.0”。
上游模型卡 / 数据集卡
【README 卡片中文译介】
以下内容依据上游仓库 amrosama/al-lataif-al-musawwara-magazine-ocr 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息,完整技术细节、代码示例和许可文本请同时查看上游原文。
【资源概览】
amrosama/al-lataif-al-musawwara-magazine-ocr 是 amrosama 在 Hugging Face 发布的数据集仓库,当前卡片主要关联图像理解、图像分割。本站固定记录上游版本 a9c80107de25,同步到 14 个文件,文件元数据合计 4.49 GB;访问状态为“公开”,许可证字段为“cc-by-4.0”。
【适用方向】
适合评估图文理解、视觉问答、文档或场景解析等多模态任务。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。
【版本与规格】
固定版本:a9c80107de25。 任务标签:图像理解、图像分割。 语言字段:ar。 数据集卡名称:Al-Lataif Al-Musawwara Magazine OCR Pages。 上游页面记录的最近更新时间:2026-07-24。
【文件信息】
上游 API 返回 14 个文件,文件元数据合计 4.49 GB。 已保存文件清单中的主要扩展名:.parquet 6 个、.jpg 2 个、.gz 1 个、.ipynb 1 个、.json 1 个、.md 1 个。 当前较大的文件包括:data/train-00002-of-00004.parquet(1.20 GB);data/train-00001-of-00004.parquet(1.15 GB);data/train-00000-of-00004.parquet(1.11 GB)。
【运行或处理环境】
仓库文件元数据合计 4.49 GB。仅按下载、解压和临时文件估算,建议至少预留约 5.39 GB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。
【使用边界】
许可证显示为“cc-by-4.0”,具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。
Al-Lataif Al-Musawwara Magazine OCR Pages This dataset contains rendered Arabic magazine page images from Al-Lataif Al-Musawwara paired with page-level text and line-level bounding boxes. It is intended for OCR, document understanding, and VLM fine-tuning experiments. Fine-Tuning Notebook A standalone Google Colab notebook for DeepSeek-OCR 3B + TRL SFT is available here: Open the fine-tuning notebook in Colab The notebook can train on this dataset alone or on all three Arabic magazine OCR datasets. Dataset Structure Each row represents one page image. | Column | Description | | --- | --- | | `image` | Page image rendered as a Hugging Face image column. | | `image_id` | Stable row id derived from the source path. | | `source_path` | Original relative image path. | | `collection` | Collection folder name. | | `volume` | Source volume folder name. | | `page_number` | Page number parsed from the filename. | | `width`, `height` | Image dimensions in pixels. | | `ocr_text` | Full page transcription text. | | `line_count` | Number of detected text lines. | | `line_texts` | Text from each detected line. | | `line_bboxes` | JSON array of line polygon bounding boxes. | | `lines_json` | JSON array containing line text and polygon bounding boxes. | | `instruction`, `response` | Image-to-text fine-tuning pair. The instruction is `Extract all text from this image.` | | `task` | Task label. | Splits Split mode: `volume`. | Split | Rows | Parquet shards | | --- | ---: | ---: | | train | 3846 | 4 | | validation | 32 | 1 | | test | 32 | 1 | Total rows: 3910 Usage Because this dataset is large, streaming is the most convenient way to inspect or train from it: For VLM fine-tuning, use `image` as the visual input, `instruction` as the prompt, and `response` as the target answer. For non-streaming use on machines with enough disk/cache space: Curation Notes Images without matching valid OCR JSON were skipped. Common source/footer marks and angled watermark fragments were filtered from th
适用场景
适合评估图文理解、视觉问答、文档或场景解析等多模态任务。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。
规模与格式
固定版本:a9c80107de25。 任务标签:图像理解、图像分割。 语言字段:ar。 数据集卡名称:Al-Lataif Al-Musawwara Magazine OCR Pages。 上游页面记录的最近更新时间:2026-07-24。
文件说明
上游 API 返回 14 个文件,文件元数据合计 4.49 GB。 已保存文件清单中的主要扩展名:.parquet 6 个、.jpg 2 个、.gz 1 个、.ipynb 1 个、.json 1 个、.md 1 个。 当前较大的文件包括:data/train-00002-of-00004.parquet(1.20 GB);data/train-00001-of-00004.parquet(1.15 GB);data/train-00000-of-00004.parquet(1.11 GB)。
上游文件元数据
.gitattributes2.45 KBassets/preview_headline_page.jpg462.25 KBassets/preview_text_page.jpg468.22 KBdata/test-00000-of-00001.parquet38.64 MBdata/train-00000-of-00004.parquet1.11 GBdata/train-00001-of-00004.parquet1.15 GBdata/train-00002-of-00004.parquet1.20 GBdata/train-00003-of-00004.parquet975.38 MBdata/validation-00000-of-00001.parquet41.78 MBmetadata/build_stats.json836 Bmetadata/skipped_rows.jsonl.gz44 Bnotebooks/deepseek_ocr_trl_finetune_colab.ipynb29.82 KB
硬件建议
仓库文件元数据合计 4.49 GB。仅按下载、解压和临时文件估算,建议至少预留约 5.39 GB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。
注意事项
许可证显示为“cc-by-4.0”,具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。
获取、校验与交付
咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件,并在合法访问权限、许可证及平台规则允许的前提下,协助海内外下载、完整性校验及网盘或硬盘交付;本官网本身不托管或下载资源文件。
本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明,不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。