The dataset viewer is not available for this subset.
Exception: SplitsNotFoundError
Message: The split names could not be parsed from the dataset config.
Traceback: Traceback (most recent call last):
File "/usr/local/lib/python3.14/site-packages/datasets/inspect.py", line 286, in get_dataset_config_info
for split_generator in builder._split_generators(
~~~~~~~~~~~~~~~~~~~~~~~~~^
StreamingDownloadManager(base_path=builder.base_path, download_config=download_config)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
)
^
File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/folder_based_builder/folder_based_builder.py", line 246, in _split_generators
raise ValueError(
"`file_name`, `*_file_name`, `file_names` or `*_file_names` must be present as dictionary key in metadata files"
)
ValueError: `file_name`, `*_file_name`, `file_names` or `*_file_names` must be present as dictionary key in metadata files
The above exception was the direct cause of the following exception:
Traceback (most recent call last):
File "/src/services/worker/src/worker/job_runners/config/split_names.py", line 68, in compute_split_names_from_streaming_response
for split in get_dataset_split_names(
~~~~~~~~~~~~~~~~~~~~~~~^
path=dataset,
^^^^^^^^^^^^^
config_name=config,
^^^^^^^^^^^^^^^^^^^
token=hf_token,
^^^^^^^^^^^^^^^
)
^
File "/usr/local/lib/python3.14/site-packages/datasets/inspect.py", line 340, in get_dataset_split_names
info = get_dataset_config_info(
path,
...<6 lines>...
**config_kwargs,
)
File "/usr/local/lib/python3.14/site-packages/datasets/inspect.py", line 291, in get_dataset_config_info
raise SplitsNotFoundError("The split names could not be parsed from the dataset config.") from err
datasets.inspect.SplitsNotFoundError: The split names could not be parsed from the dataset config.Need help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.
YAT-19: 100 тысяч изображений русских рукописей XIX века
YAT-19 — открытый набор архивных изображений, ориентированный на русскоязычные рукописные документы XIX века и дореформенную кириллицу. Он содержит 102 619 изображений из 1 032 архивов, датированных 1834–1899 годами, метаданные об источниках и около 7 млн автоматически найденных текстовых строк.
Название связано с буквой ять (Ѣ), характерной для дореформенной русской орфографии, и XIX веком.
Насколько нам известно на август 2026 года, YAT-19 — крупнейший открыто опубликованный набор, сосредоточенный именно на полностраничных изображениях русскоязычных рукописей XIX века. Это утверждение относится к масштабу изображений, а не к качеству разметки.
Краткая информация
| Параметр | Значение |
|---|---|
| Изображения | 102 619 |
| Архивы | 1 032 |
| Период | 1834–1899 |
| Автоматически найденные строки | около 7 000 000 |
| Среднее число строк на изображении | 68 |
| Источник | Szukaj w Archiwach |
| Детектор | PP-OCRv6_medium_det_safetensors |
Состав набора
Материалы происходят из фондов девяти государственных архивов Польши. По архивным фондам изображения распределяются следующим образом:
| Тип документов | Изображения | Архивы |
|---|---|---|
| Метрические книги и акты гражданского состояния: рождения, браки и смерти православных и римско-католических приходов | 46 194 | 471 |
| Губернские, крестьянские и земельно-административные дела | 40 063 | 539 |
| Нотариальные реестры и документы | 16 362 | 22 |
| Всего | 102 619 | 1 032 |
Структура датасета
YAT-19/
├── metadata.csv
├── images/
│ └── 21 ZIP-архив с изображениями
└── jsons/
└── 21 ZIP-архив с JSON-разметкой
Файл metadata.csv содержит имя изображения, период его создания и ссылку на исходный архив. В папках images и jsons находятся по 21 ZIP-архиву: в первой — изображения, во второй — соответствующая автоматическая разметка в формате COCO.
Автоматическая разметка и планы
Первичная разметка выполнена детектором PP-OCRv6. Он нашёл около 7 млн предполагаемых областей текстовых строк. По предварительной визуальной оценке, примерно 70–80% просмотренных областей пригодны без существенного исправления. Это экспертная оценка, а не формально рассчитанные precision, recall или F1.
Текущая версия уже даёт большой открытый массив исторических изображений с метаданными о происхождении и машинной разметкой. Дальнейшие планы:
- исправлять пропущенные, ложные, объединённые и разделённые области строк;
- сформировать вручную проверенные валидационную и тестовую выборки и опубликовать формальные метрики детекции;
- версионировать исправления разметки;
- постепенно добавлять проверенные транскрипции строк.
Сейчас YAT-19 следует использовать как набор изображений с псевдоразметкой, а не как полностью проверенный эталонный набор для HTR.
Сравнение с известными наборами и ресурсами
| Ресурс | Период | Масштаб | Отличие от YAT-19 |
|---|---|---|---|
| Digital Peter | 1709–1713 | 662 страницы; 9 696 размеченных текстовых файлов | Рукописи Петра I, проверенная разметка для детекции и распознавания |
| HWR200 | Современные тексты | 30 030 изображений | Современный русский почерк, 200 авторов |
| School Notebooks RU | Современные тексты | 1 857 страниц | Современные школьные тетради |
| Russian Old Orthography OCR | XIX век | 21 612 страниц; 248 503 записи | Дореформенный русский, печатные тексты |
Единицы измерения в таблице различаются: полные страницы, сканы, строки и записи нельзя напрямую сравнивать между собой. Заявление о масштабе YAT-19 относится именно к полностраничным изображениям исторической русской рукописи.
Лицензия
Репозиторий YAT-19, созданные метаданные, автоматическая разметка и будущие транскрипции публикуются по лицензии MIT.
Исходные архивные изображения используются по правилам повторного использования Szukaj w Archiwach. Портал разрешает скачивание, копирование и распространение цифровых копий, если в описании материала или на самом скане не указано иное. Согласно §3(5) правил сайта, если публикующий архив не указал обратного, материал считается общественным достоянием.
Лицензия MIT распространяется на метаданные и автоматическую разметку датасета, но не изменяет правовой статус исходных сканов. Разметка получена с помощью модели PaddlePaddle/PP-OCRv6_medium_det_safetensors, опубликованной по лицензии Apache 2.0.
Ограничения
- Разметка строк создана автоматически и содержит пропуски, ложные области, объединённые и разделённые строки. Оценка качества в 70–80% является визуальной и предварительной.
- Встречаются печатные фрагменты, таблицы, печати, пустые и повреждённые страницы.
- Менее чем на 1% изображений встречаются отдельные польские слова на латинице — преимущественно в заголовках таблиц и на печатях.
- Набор отражает состав оцифрованных фондов и не является репрезентативной выборкой всех русских рукописей XIX века.
- Downloads last month
- 102