olmOCR PES2O Dataset

Corpus masivo de OCR de documentos escaneados, utilizado para el reconocimiento óptico de caracteres y el modelado de texto extraído.

Obtén el dataset

Tamaño

7,8 millones de líneas, archivos de texto y metadatos estructurados

Licencia

DOC-POR

Descripción

‍

OlmoCR-PES2O-0225 es un enorme conjunto de datos de código abierto diseñado para las tareas de reconocimiento óptico de caracteres (OCR). Contiene millones de ejemplos de documentos escaneados. Cada línea representa una instancia de OCR con el texto extraído y los metadatos asociados. Está diseñado para usarse al mismo tiempo en el entrenamiento, la evaluación y el análisis del rendimiento de los sistemas de OCR modernos.

‍

¿Para qué sirve este conjunto de datos?

‍

Entrene modelos de OCR que puedan extraer texto de documentos reales
Pruebe la solidez de los modelos en una amplia gama de tipos de documentos
Creación de canales de procesamiento de documentos basados en IA

‍

¿Se puede enriquecer o mejorar?

‍

Sí Es posible añadir anotaciones estructurales (áreas de texto, jerarquía) o combinar este corpus con las imágenes originales para los modelos visio-textuales. También es posible añadir varios idiomas o formatos (por ejemplo, manuscritos).

‍

🔎 En resumen

Criterio	Evaluación
🧩 Facilidad de uso	⭐⭐⭐⭐⭐ (Simple de parsear, archivos bien estructurados)
🧼 Necesidad de limpieza	⭐⭐⭐⭐✩ (Bajo – datos coherentes pero pueden requerir validación OCR)
🏷️ Riqueza de anotaciones	⭐⭐⭐✩✩ (Moderado – texto bruto + algunas metadatos, sin segmentación visual)
📜 Licencia comercial	✅ Sí (ODC-BY)
👨‍💻 Ideal para principiantes	⚠️ Sí, si se dominan herramientas OCR
🔁 Reutilizable para fine-tuning	🎯 Perfecto para afinar modelos OCR tipo Tesseract, Donut, TrOCR
🌍 Diversidad cultural	⚠️ No especificado – contenido principalmente anglófono