Maloba

Corpus Documents · Version de référence

dataset-qwen-vl-lingala-qlora-vf

Jeu d'entraînement multimodal : 417 exemples d'entraînement, 50 de test (images de régions de texte et transcriptions).

Voir sur Hugging Face (nouvelle fenêtre)Tous les corpus

Construction

  • Images de lignes de texte lingala tirées du fonds SIL Congo (documents imprimés et manuscrits), annotées en régions puis transcrites.
  • 417 exemples d'entraînement (278 lignes) et 50 exemples de test ; jetons ɔ ɛ Ɔ Ɛ ajoutés au modèle.
  • 1 323 transcriptions uniques validées et 1 282 lignes harmonisées, conservées hors du jeu d'entraînement publié.

Le corpus en graphique

Volumétrie comparée des corpusLes quatre corpus de référence du projet, à la même échelle. Le corpus audio domine en nombre d'éléments ; la traduction, la plus petite, est celle qui a le plus fait progresser son modèle.
05 06710 13415 20120 268Audio — segments18 767Textes — exemples annotés4 818Documents — exemples467Traduction — paires humaines399

Source : Livrable 4, chiffres arrêtés au 2026-09-30

Voir les données du graphique
CorpusÉléments
Audio — segments18 767
Textes — exemples annotés4 818
Documents — exemples467
Traduction — paires humaines399

Limites

  • Jeu de test petit (50 exemples) ; qualité d'image inégale.

Citation

Congo Digital Services (2026). dataset-qwen-vl-lingala-qlora-vf. Hugging Face.