ngocthanhdoan/vietnerm-vehicle_registration-dataset

VietNerm — Đăng ký xe NER Dataset

Synthetic BIO-tagged NER dataset for Vietnamese Đăng ký xe document entity extraction.

⚠️ DISCLAIMER: SYNTHETIC / MOCKUP DATA

Dataset này được sinh hoàn toàn tự động từ template (synthetic/mockup data), KHÔNG chứa dữ liệu cá nhân thật.

• —Tất cả dữ liệu được sinh tự động bằng hệ thống Jinja2 template + random generator
• —Không sử dụng giấy tờ thật, thông tin cá nhân thật, hoặc dữ liệu thu thập từ người dùng
• —Số định danh (ID, CCCD...) được sinh ngẫu nhiên, thiết kế để không trùng với dữ liệu thật
• —Dữ liệu có inject nhiễu OCR (noise) để giả lập điều kiện thực tế
• —Mục đích: nghiên cứu AI, Document AI, OCR/NER pipeline
• —Không được sử dụng để giả mạo giấy tờ, tạo giấy tờ giả, lừa đảo hoặc gian lận

Dataset Description

This dataset contains BIO-tagged token sequences for training NER models on Vietnamese Đăng ký xe documents. Data is synthetically generated with OCR noise simulation for robustness.

Dataset Statistics

Labels

Format

Each sample is a JSON object with two fields:

Data Mockup Example

Below is a representative (synthetic) sample from the dataset:

{
  "tokens": [
    "1.",
    "PHƯƠNG",
    "TIỆN",
    "(VEHICLE)",
    "Số",
    "lượng",
    "lốp,",
    "cỡ",
    "lốp/trục",
    "(Number",
    "of",
    "tires:",
    "Tire",
    "ize/axle)",
    "Biểnđăng",
    "ky:",
    "51S-709.54",
    "Số",
    "quản",
    "lý:"
  ],
  "ner_tags": [
    "O",
    "O",
    "O",
    "O",
    "O",
    "O",
    "O",
    "O",
    "O",
    "O",
    "O",
    "O",
    "O",
    "O",
    "O",
    "O",
    "B-plate_number",
    "O",
    "O",
    "O"
  ]
}

Usage

from datasets import load_dataset

dataset = load_dataset("ngocthanhdoan/vietnerm-vehicle_registration-dataset")
train = dataset["train"]

# Access a sample
sample = train[0]
print(sample["tokens"])    # ['CĂN', 'CƯỚC', 'CÔNG', 'DÂN', ...]
print(sample["ner_tags"])  # ['O', 'O', 'O', 'O', ...]

Training the NER Model

This dataset is used to train the companion model `ngocthanhdoan/phobert-vehicle_registration-ner`.

from vietnerm import VietNerm

ner = VietNerm(doc_type="vehicle_registration", hf_username="ngocthanhdoan")
result = ner.extract("your document OCR text here")
print(result)

Ethical Use

This dataset is built for research and development purposes only:

• —✅ AI/NLP research
• —✅ Document AI development
• —✅ OCR/NER pipeline prototyping
• —✅ Educational purposes
• —❌ Forging documents
• —❌ Creating fake identity papers
• —❌ Fraud or deception

About VietNerm

VietNerm is a Document AI Factory for Vietnamese documents. It provides a complete pipeline from template-based synthetic data generation to model training and deployment.

• —Repository: Devhub-Solutions/VietNerm
• —SDK: pip install vietnerm
• —License: MIT — Copyright (c) 2026 Devhub Solutions