Maloba

Corpus Documentos · Versão de referência

dataset-qwen-vl-lingala-qlora-vf

Conjunto de treino multimodal: 417 exemplos de treino, 50 de teste (imagens de regiões de texto e transcrições).

Ver no Hugging Face (abre numa nova janela)Todos os corpora

Construção

  • Imagens de linhas de texto lingala retiradas do acervo SIL Congo (documentos impressos e manuscritos), anotadas em regiões e depois transcritas.
  • 417 exemplos de treino (278 linhas) e 50 exemplos de teste; os caracteres ɔ ɛ Ɔ Ɛ foram acrescentados ao modelo.
  • 1 323 transcrições únicas validadas e 1 282 linhas harmonizadas, conservadas fora do conjunto de treino publicado.

O corpus, em gráfico

Volumetria comparada dos corporaOs quatro corpora de referência do projeto, à mesma escala. O corpus de fala domina em número de elementos; a tradução, o mais pequeno, é o que mais fez progredir o seu modelo.
05 06710 13415 20120 268Fala — segmentos18 767Textos — exemplos anotados4 818Documentos — exemplos467Tradução — pares humanos399

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

Ver os dados do gráfico
CorpusElementos
Fala — segmentos18 767
Textos — exemplos anotados4 818
Documentos — exemplos467
Tradução — pares humanos399

Limites

  • Conjunto de teste pequeno (50 exemplos); qualidade de imagem desigual.

Citação

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