Datasetpublic

adamgavora/SK-IBAN-synthetic-r1

Slovak IBAN OCR Synthetic Dataset Hard samples — obrázky, ktoré Qwen3-VL-4B neprečítal správne, ale GLM-OCR (zai-org/GLM-OCR) ich prečítal korektne (čitateľné). Pipeline filtrovania Generovanie syntetických IBAN obrázkov s degradáciami Qwen3-VL-4B filter — ponechané iba vzorky, ktoré Qwen neprečítal správne (hard) GLM-OCR filter — z hard vzoriek ponechané iba tie, ktoré GLM-OCR prečítal správne (overenie čitateľnosti — nečitateľné obrázky sú zahodené)… See the full description on the dataset page: https://huggingface.co/datasets/adamgavora/SK-IBAN-synthetic-r1.

sourceHugging Facemitupdated 6mo agoView on Hugging Face

0likes101downloads

Dataset Card

Slovak IBAN OCR Synthetic Dataset

Hard samples — obrázky, ktoré Qwen3-VL-4B neprečítal správne, ale GLM-OCR (zai-org/GLM-OCR) ich prečítal korektne (čitateľné).

Pipeline filtrovania

1.Generovanie syntetických IBAN obrázkov s degradáciami
2.Qwen3-VL-4B filter — ponechané iba vzorky, ktoré Qwen neprečítal správne (hard)
3.GLM-OCR filter — z hard vzoriek ponechané iba tie, ktoré GLM-OCR prečítal správne (overenie čitateľnosti — nečitateľné obrázky sú zahodené)

Štatistiky

—train: 1000 obrázkov
—test: 200 obrázkov
—pomer train:test = 8:2

Štruktúra

—train/images/ — 1000 hard train vzoriek
—train/metadata.jsonl
—test/images/ — 200 hard test vzoriek
—test/metadata.jsonl
—train_failed_samples.csv — detaily o train vzorkách (filename, expectedtext, qwenpredictedtext)
—test_failed_samples.csv — detaily o test vzorkách (filename, expectedtext, qwenpredictedtext)

Repository

adamgavora/SK-IBAN-synthetic-V1