russian-handwriting-ocr

messages listlengths 2 2	image_type stringclasses 3 values	source_folder stringclasses 73 values	dataset_name stringclasses 2 values
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Что такое честь? Честь - это нравственный стержень человека. Под нра...	scan	fpr29	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Игорь Ботов неравнодушен к поставленной им проблеме, он считает, что...	scan	reuse5	dataset2
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Убью!». С. Львов использует яркое сравнение, когда говорит, что лай ...	light	reuse0	dataset2
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Что же означает словосочетание «бесчестный поступок»? Сколько критик...	light	reuse9	dataset2
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Забота об облике нашей земли является одной из составляющих в нашей ...	light	original16	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Оба этих примера показывают нам, что человеческое равнодушие приводи...	scan	reuse3	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Первое время он был рад, но позже понял, что никогда его больше никт...	scan	reuse1	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Какие поступки мы считаем героическими – вот нравственный вопрос, на...	dark	reuse6	dataset2
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Нужно ли анализировать свои ошибки? [НОВЫЙ АБЗАЦ] Конечно нужно. Все...	dark	reuse10	dataset2
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Он побежал в поезд , где была его мать и увидел , как она плакала.Эт...	scan	reuse0	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Понятие чести нельзя заменить никакими другими словами. Честь дается...	light	reuse7	dataset2
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Безусловно, жизнь еще не раз поставит перед нами вопрос о том, что т...	light	reuse9	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "В чём состоит долг культурного человека? На этот вопрос обращает наш...	dark	fpr15	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Известно, что настоящее произведение искусства обречено на успех и с...	dark	original21	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Об этом говорит Бондарев, поднимая проблему важности красоты даже в ...	light	reuse8	dataset2
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "В тексте рассказывается о выхухоли, которую потоп застал вместе со с...	dark	reuse1	dataset2
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Писатель ведет повествование от лица опытной учительницы, которая, в...	dark	original29	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Тема борьбы между чувствами и разумом довольно часто затрагивается о...	light	reuse2	dataset2
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Стоит ли стремиться к мечте? Именно над этим вопросом задумывается С...	scan	fpr1	dataset2
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "то ему необходим друг, который сможет поддержать его и направит на в...	light	reuse4	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "В первую очередь он предал себя, изменив своим чувствам. Трудно не с...	scan	reuse5	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "В рассказе Л. Улицкой показана история с подаренными часами. Главным...	light	reuse9	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Родина… Родные места… Какой‑то необъяснимой силой обладают они. В тр...	scan	original22	dataset1
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Для подтверждения своей мысли она приводит яркую метафору: «Надо бра...	light	reuse5	dataset2
[ { "content": [ { "text": "Распознай текст с изображения.", "type": "text" }, { "text": null, "type": "image" } ], "role": "user" }, { "content": [ { "text": "Тем более отвратительно убийство невинного человека.В душе Раскольни...	dark	reuse7	dataset1

End of preview. Expand in Data Studio

Russian Handwritten Text Recognition Dataset

Датасет для распознавания русских рукописных текстов (сочинений).

Описание

Этот датасет содержит изображения рукописных русских текстов с их расшифровкой. Предназначен для дообучения vision-language моделей (например, Qwen3 VL) на задачу OCR русского рукописного текста.

Статистика

Всего образцов: 13050
Train: 11745
Validation: 1305
Уникальных текстов: 575
Средняя длина текста: 3790 символов

Типы изображений

Датасет включает три типа изображений одних и тех же текстов:

Сканы (scan): Сканированные изображения
ФотоТемное (dark): Фотографии в темном освещении
ФотоСветлое (light): Фотографии в светлом освещении

Формат данных

Каждый пример содержит:

{
    "image": PIL.Image,  # Изображение
    "messages": [  # Формат conversational
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Распознай текст с изображения."},
                {"type": "image"}
            ]
        },
        {
            "role": "assistant",
            "content": [
                {"type": "text", "text": "<transcribed_text>"}
            ]
        }
    ],
    "image_type": "scan" | "dark" | "light",
    "source_folder": str,
    "dataset_name": "dataset1" | "dataset2"
}

Использование

from datasets import load_dataset

# Загрузка датасета
dataset = load_dataset("YOUR_USERNAME/russian-handwriting-ocr")

# Пример использования
sample = dataset['train'][0]
image = sample['image']
messages = sample['messages']

Обучение с Unsloth

Этот датасет готов для использования с Unsloth для дообучения Qwen3 VL:

from unsloth import FastVisionModel
from unsloth.trainer import UnslothVisionDataCollator
from trl import SFTTrainer, SFTConfig

# Загрузка модели
model, tokenizer = FastVisionModel.from_pretrained(
    "unsloth/Qwen3-VL-8B-Instruct",
    load_in_4bit=True,
)

# Загрузка датасета
from datasets import load_dataset
dataset = load_dataset("YOUR_USERNAME/russian-handwriting-ocr")

# Обучение
trainer = SFTTrainer(
    model=model,
    tokenizer=tokenizer,
    data_collator=UnslothVisionDataCollator(model, tokenizer),
    train_dataset=dataset['train'],
    # ... другие параметры
)
trainer.train()

Лицензия

[Укажите вашу лицензию]

Цитирование

Если вы используете этот датасет, пожалуйста, укажите ссылку на него.

Downloads last month: 289

Size of downloaded dataset files:

16.4 GB

Size of the auto-converted Parquet files:

16.4 GB

Number of rows:

13,050