https://virgool.ir/feed/@hubare.raعلاقه‌مند به تولید و معرفی دیتاست‌های هوش مصنوعی https://github.com/persiandatasetfa2026-11-11 02:25:39https://files.virgool.ir/upload/users/1242959/avatar/X4sXFv.jpeghttps://virgool.ir/@hubare.rahttps://virgool.ir/@hubare.ra/دیتاست-ocr-فارسی-اَرشاسب-zixxur99qenhدر این پست، مجموعه داده فارسی OCR ارشاسب (نام باستانی ایرانی) معرفی می‌شود. این مجموعه داده شامل 33000 صفحه متن فارسی بود که 7000 صفحه آن به صورت رایگان منتشر شده است. کلماتی که در کنار یکدیگر قرار می گیرند به همدیگر وابستگی داشته و درباره ی یک موضوع نوشته شده‌اند. به همین دلیل می توان از مدل‌های NLP استفاده نمود تا دقت مدل‌های OCR افزایش یابد. در این مجموعه‌داده، موقعیت هر کلمه دقیقاً برچسب گذاری شده است. به این نمونه زیر نگاه کنید:برای اطلاعات بیشتر می‌توانید مخزنِ github زیر را مشاهده کنید.https://github.com/persiandataset/Arshasb_____________________________________________________________________________________________دانلودمجموعه داده ارشاسب 7 هزار صفحه‌ایی در لینک زیر قابل دانلود است (~730M) https://drive.google.com/file/d/1G9JEZY9MSzaND8ynnFodIXQvMMM1_6J3همچنین، اگر مجموعه‌داده‌ی 33000 صفحه‌ایی را می‌خواهید، با من hubare.ra[at]gmail.com تماس بگیرید._____________________________________________________________________________________________جزئیاتتعداد کلمات منحصر به فرد با حذف اعداد و علائم نگارشی 97498 است که در نسخه 7k این تعداد به 40911 کلمه‌ی منحصر به فرد کاهش می یابد.محتوای این مجموعه‌داده شامل متون عمومی و خبری است. فونت این مجموعه داده Far_ketab بوده است.اگه از این دیتاست استفاده کردی اگه دوست داشتی یک کافی مهمونم کن از طریق این لینک زیر! خوشحال میشم.https://www.coffeete.ir/persiandatasetpersiandatasetpersiandatasetThu, 25 Nov 2021 23:16:22 +0330https://virgool.ir/@hubare.ra/دیتاست-رایگان-فارسی-برای-تبدیل-صوت-به-متن-xbidaehms6uwیکی از دغدغه‌های اصلی محققان در حوزه‌ی پردازش گفتار کمبود دیتاست فارسی و یا گران بودن آن می‌باشد. من در گیت‌هاب خود سعی دارم، انواع دیتاست‌های فارسی مربوط به حوزه ی تبدیل به صوت به متن را جمع آوری کنم. شما با بازدید از صفحه‌ی بنده در گیت‌هاب می‌توانید انواع دیتاست های رایگان و غیر رایگان را مشاهده کنید.https://github.com/persiandataset/PersianSpeechمجموعه‌داده‌ی Persian Speech:در این لینک مجموعه داده مربوط به تسک ASR را به زبان فارسی با مدت زمان 3 ساعت قرار داده‌ام. برچسب هر فایل صوتی به صورت جمله و مدت زمان هر فایل حدود 10 ثانیه می باشد. این مجموعه داده از جایی کپی نشده است و این پروژه شخصی من است که آزادانه منتشر می‌کنم. می‌توانید از آن در پروژه های خود استفاده کنید. همچنین، اگر می خواهید یک مجموعه داده 86 ساعته مانند این داشته باشید، می توانید با من تماس بگیرید. hubare.ra[at]gmail.comدیگر منابع: مجموعه‌داده‌ی موزیلا:شرکت موزیلا شروع به تولید مجموعه داده فارسی عظیم کرده است. این شرکت در نسخه 7 خود 293 ساعت صوت فارسی را به متن تبدیل کرده و به صورت رایگان در این لینک منتشر کرده است. صداهای این مجموعه معمولا کوتاه هستند.مجموعه‌داده‌ی persianspeechcorpus:همچنین می توانید از این سایت نیز استفاده کنید. این مجموعه‌داده شامل 2.5 ساعت گفتار تک‌گوینده می‌باشد.persiandatasetpersiandatasetThu, 07 Oct 2021 13:26:10 +0330