image imagewidth (px) 29 222 | text stringlengths 7 10 |
|---|---|
المتميزة | |
لمساحات | |
الغذائية | |
الطولية | |
الصانعون | |
دبلوماسية | |
وأضافوا | |
الفلسطينية | |
المطلقة | |
المهاجرين | |
والمبتدئين | |
المنتهية | |
المملوكي | |
استتباب | |
المشهورة | |
لبنانيين | |
الكثيفة | |
والخوادم | |
والجزائر | |
الموارنة | |
بالعربية | |
الاستونية | |
القوالب | |
لميخائيل | |
النحوية | |
أعضاؤها | |
القانون | |
الدينية | |
الضوئية | |
اتفاقيات | |
يحاولون | |
والخدمات | |
مبرمجين | |
الإحداثيات | |
عضويتها | |
مستدامة | |
بالجامعة | |
للتداول | |
إشبيلية | |
إستونياا | |
والمتعلمة | |
والمعدن | |
بالجملة | |
التماثيل | |
والبلقاء | |
الإنترنت | |
البرلمان | |
الأساسية | |
للأحزاب | |
الدراسة | |
السناجب | |
صراعاتها | |
المعلمين | |
وارتفعت | |
واستخدم | |
مخطوطات | |
وأوروبا | |
وهلسنكي | |
الاضطراب | |
اهتمامات | |
وسريلانكا | |
المشاهد | |
مخزونها | |
والتحليل | |
المزمنة | |
استكمال | |
والبحري | |
والفريق | |
الصادرة | |
المخصوص | |
التداخل | |
والإثبات | |
والغابات | |
الإذاعيون | |
الائتلافية | |
موضوعية | |
الباطنية | |
وإيطاليا | |
للكتيبة | |
التصنيع | |
الرواية | |
الفنلنديين | |
الضواحي | |
سيراليون | |
التقليدي | |
التقاليد | |
والذهاب | |
للصندوق | |
البشرية | |
البطالة | |
أوسانحمير | |
الميزانية | |
الفرنسية | |
العنكبيات | |
متعضيات | |
الجرمانية | |
واعترضت | |
ميدياويكي | |
استعراض | |
الجغرافيين |
End of preview. Expand
in Data Studio
Arabic OCR Dataset
Overview
The Arabic OCR Dataset is a comprehensive resource aimed at enhancing Optical Character Recognition (OCR) capabilities for the Arabic language. The dataset consists of over 2 million labeled images of Arabic text extracted from diverse sources, ideal for training and benchmarking Arabic OCR models.
Dataset Details
- Dataset Size: ~2.16 million labeled samples
- Total File Size: 1.87 GB
- Format: Parquet
- Modalities: Images and Text
- Languages: Arabic
Structure
Each entry in the dataset includes:
image: An image file containing Arabic text.text: Corresponding Arabic text as ground truth.
The images vary in width from 29px to 222px, containing text samples ranging from 7 to 10 characters in length.
Intended Uses
This dataset is designed for:
- Training state-of-the-art Arabic OCR models.
- Evaluating performance of OCR systems.
- Research in Arabic Natural Language Processing (NLP).
Limitations
- Text length is limited to short to medium-length Arabic text snippets.
- Variability in image quality may affect OCR performance.
How to Use
Loading the Dataset
from datasets import load_dataset
# Load Arabic OCR Dataset
dataset = load_dataset("mssqapi/Arabic-OCR-Dataset")
Accessing Data Samples
# Example of accessing data sample
sample = dataset['train'][0]
print(sample['text'])
display(sample['image'])
- Downloads last month
- 289
Size of downloaded dataset files:
1.87 GB
Size of the auto-converted Parquet files:
1.87 GB
Number of rows:
2,160,000