MathCaptcha10k

מה זה

המאגר כולל תמונות קאפצ'ה בגודל 200 על 70 פיקסלים בפורמט PNG. כל תמונה מציגה שני מספרים בני ספרה אחת או שתיים, פעולת חיבור או חיסור, סימן שוויון וסימן שאלה בסוף. הנתונים יוצרו באופן תוכנתי באמצעות ספריית CaptchaMvc.Mvc5 כדי לדמות מנגנוני אבטחה מבוססי תמונות.

החלוקה הפנימית מורכבת מאימון ומבחן. חלק האימון כולל 10,000 דוגמאות מתויגות, שבהן יש את קובץ התמונה, מחרוזת הטקסט המופיעה בה ותוצאת החישוב כמספר שלם. התיוג עבר תחילה צינור OCR מבוסס מודל ראייה שפה, ולאחר מכן עבר בדיקה ותיקון ידני מלא באפליקציית ולידציה ייעודית. חלק המבחן מכיל 11,766 תמונות ללא תיוג שנמצאות בתיקייה נפרדת.

מתאים ל

• אימון זיהוי תווים מעוותים

  אימון מודלי OCR או ראייה ממוחשבת על פענוח ספרות וסימנים תחת עיוותים גרפיים.

• בחינת פתרון חשבון חזותי

  בדיקת היכולת של מודלי ראייה שפה לחלץ תרגיל מתמונה ולחשב את התוצאה ישירות.

• בדיקת עמידות מנגנוני הגנה

  הערכת החוזק של קאפצ'ות חשבוניות מול כלי ראייה ממוחשבת מודרניים.

איפה זה נופל

הנתונים כולם סינתטיים ומיוצרים מתבנית קבועה אחת. אי אפשר להשליך מהביצועים כאן על כתב יד, מסמכים סרוקים או טקסט טבעי מחוץ למסגרת של קאפצ'ות. המאגר מוגבל אך ורק לחיבור וחיסור של מספרים עד שתי ספרות, בלי שום פעולות חשבון אחרות או ביטויים מורכבים יותר. עברית לא קיימת פה כלל, וכל התווים הם ספרות וסימנים בסיסיים. אם אתם בונים מודל כללי, חובה לשלב אותו עם מקורות מגוונים בהרבה.

איך טוענים

המאגר ציבורי ופתוח להורדה ישירה ללא צורך באישור גישה. הוא כולל בסך הכל 21,771 קבצים, רובם תמונות PNG. בעבודה עם חלק האימון השדות הזמינים הם תמונת הקאפצ'ה, שדה הטקסט המדויק ושדה התוצאה המספרית. אם אתם מתכננים להריץ הערכה על חלק המבחן, קחו בחשבון שהוא מכיל תמונות בלבד ואין בו תוויות מוכנות להשוואה אוטומטית.

from datasets import load_dataset

ds = load_dataset("atalaydenknalbant/MathCaptcha10k")

הרישיון

המאגר מופץ תחת רישיון CC BY 4.0. המשמעות פשוטה, מותר להשתמש בו לצרכים מסחריים ומחקריים, לשנות אותו ולאמן עליו מודלים. הדרישה היחידה היא לתת קרדיט נאות ליוצר, אטאלאי דנקנלבנט. אין חובה לשתף את המודל או את הנגזרות תחת אותו הרישיון.

• שימוש מסחרי
• שינוי הקוד
• חובת ייחוס

הרישיון המלא ב־Hugging Face ↗