olmOCR PES2O Dataset

Corpus OCR massif issu de documents numérisés, utilisé pour la reconnaissance optique de caractères et la modélisation de texte extrait.

Télécharger le dataset

Taille

7,8 millions de lignes, fichiers texte + métadonnées structurées

Licence

ODC-BY

Description

‍

olmOCR-pes2o-0225 est un dataset open-source massif conçu pour les tâches de reconnaissance optique de caractères (OCR). Il contient des millions d’exemples tirés de documents numérisés, chaque ligne représentant une instance OCR avec son texte extrait et des métadonnées associées. Il est conçu pour servir à la fois à l’entraînement, à l’évaluation et à l’analyse de performance des systèmes OCR modernes.

‍

À quoi sert ce dataset ?

‍

Entraîner des modèles OCR capables d’extraire du texte de documents réels
Tester la robustesse des modèles sur un large éventail de typologies de documents
Construire des pipelines de traitement documentaire à base d’IA

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Oui. Il est possible d’ajouter des annotations structurelles (zones de texte, hiérarchie), ou de coupler ce corpus avec les images originales pour des modèles visio-textuels. L’ajout de langues ou formats variés (ex. manuscrits) est aussi envisageable.

‍

🔎 En résumé

Critère	Évaluation
🧩 Facilité d’utilisation	⭐⭐⭐⭐⭐ (Simple à parser, fichiers bien structurés)
🧼 Besoin de nettoyage	⭐⭐⭐⭐✩ (Faible – les données sont cohérentes mais peuvent nécessiter une validation OCR)
🏷️ Richesse des annotations	⭐⭐⭐✩✩ (Moyenne – texte brut + quelques métadonnées, pas de segmentation visuelle)
📜 Licence commerciale	✅ Oui (ODC-BY)
👨‍💻 Idéal pour les débutants	⚠️ Oui, si outils d’OCR déjà maîtrisés
🔁 Réutilisable en fine-tuning	🎯 Parfait pour affiner des modèles OCR type Tesseract, Donut, TrOCR
🌍 Diversité culturelle	⚠️ Non spécifié – contenu principalement anglophone