Test and Training Files

[ToluClassics]

A set of documents for training and testing OCR model based on existing documents existing in bucket

[ToluClassics]

@theyorubayesian ETA?

[theyorubayesian]

almost done

[ruohoruotsi]

I have some PDF & early OCR attempts here that maybe of interest to you, either

• As an evaluation (from the PDF)
• As comparison with your recent works vs this baseline from 2019

→ https://github.com/Niger-Volta-LTI/yoruba-text/tree/master/OCR_Text/Ogboju_Ode_ninu_igbo_Irunmale

[theyorubayesian]

I have some PDF & early OCR attempts here that maybe of interest to you, either

• As an evaluation (from the PDF)
• As comparison with your recent works vs this baseline from 2019

→ https://github.com/Niger-Volta-LTI/yoruba-text/tree/master/OCR_Text/Ogboju_Ode_ninu_igbo_Irunmale

Thanks for sharing! @ruohoruotsi I can run inference and share results with you.

[ruohoruotsi]

Yes, please, I am very curious about the updated results. Kúuṣẹ́!

[ToluClassics]

Hi @ruohoruotsi , Here are some inference results from one page of the document. There's some misalignment with the diacritics when pasting in markdown but the diffcheck image is better

Baseline (ogboju_ode.txt) (Page 9)

1 Akàrà-oògùn àti àwọn òbí rệ
Ệyin ộrệ mi, bí ówe ni à n lu ìlù ògìdiigbó, ọlộgbộn ní í jó o, ộmộràn ní í sì í mộ ộn. Itàn tí ng ó sọ yìí, ílù ògìdììgbó ni; èmi ni ẹni tí yóó lu ìlù náà, ệyin ni ọlộgbộn tí yóò jó o, ệyin sì ni ộmộràn ti yóó mộ ộn pệlú. Awọn àgbà a máà pa òwe kan—ẹ kò bi mí bi wọn ti í pa ndan? Wộn ni, “Bí eégún ẹni bá jóore orí á yá ni” Tótó ó şe bí òwe o. Ng kò fệ kí ẹ jó ilu mi bi ìgbà tí yànmùyánmú bá n jó ìbệnbệ, tí ó rì ta ẹsệ wáíwáí tí ẹsệ rệ kò si bá ìlù dộgbạ, sugbọn kàkà bệệ kí ẹ jó ílù náà dáadáa, kí ẹ jó o tayộtayộ, ki ẹ jó o tệríntệrín, tó bệệ tí àwọn ènìyàn yóó maa fi owó lệ ỳín lórí, tí wọn yóó maa ju asọ sí yin lójú ịịó, tí àwọn ộkùnrin yóó maa dộbálệ, tí àwọn obìnrin yóó sì máakúnlệ niwaju yín, nigbà tí ijó yin bá ố dùn mộ wọn, sugbọn bi ẹ bá sì ố fệ ki ijó yín dára, ohun méji ni ẹ òó nílati şe: èkínní ni pé, nigbà tí ẹnì kan bá ố sộrộ nínú ìtàn yìí, ẹ ó fi ara yin sí ipò olúwarệ ẹ ó máa sộrộ bí ẹni pé ệyin gan-an ni. Bí ẹni kan bá sì ố dá ẹnì kejì lohun ẹ ó ka ìtàn náà bi ẹni pé ẹyin ni ẹ jókòó tí ẹni kan ố ba yin sộrộ ti ẹ sì ứ fún oluwarệ ni èsì tí ó 'yẹ. Gệgệ bí ộmộràn pệlú— èyí tí í şe ohun keji tí ẹ ó şe—ẹ o máa tỉkarayín fa àwọn ọgbộn yọ bí ẹ bá ti n ka ìtàn yìí lọ. Ng kò fệ kí ng sộrộ púpộ ní ìbẹrệ yìí ki n má baà dà bí onísọkúsọ, àti bí ẹni tí ó fi ójú ộnà sílệ ti o lí bá inú igbó kiri. Ng ò gbé ìlú mi nísisiyìí, ng ó sì máa lù ú, fno sì fệ kí ệyin náà tún agbádá yín şe, ki ẹ ju apá rệ lé èjika yín, kí ẹ múra silệ fún ijó, ki ộràn náà baà lè pa pộ bí ộrộ tí ó wi pé: “Èmi lè jó íwọ le lù, kokoro meji lo pade.” Owe àgbà ni o.-
Ní òwurộ ọjộ daradara kan báyìí ni:* ojú ọjộ mộ kedere; ikuuku lọ si ilé rệ; àwọn ẹranko ìgbệ sì sùn lọ; àwọn ẹranko ilé ố jẹ àmúwa Ọlọrun, àwọn ẹja sì n yin Ẹỉệdàá wọn; atệgun àlàáíĩà ố fệ lu àwọn eweko ìgbệ, gbogbo wọn dudu mirinmirin; òòrun yọ ní ìlà-oòrùn nínú ọlá ti Ọlọrun fi fun un; o tan imọlẹ sínú
1

KarantaOCR (Page 9)

Àkàrà-oògùn àti àwọn òbí rẹ̀
Ẹyin ọ̀rẹ́ mi, bí ówe ni à ń lu ìlù ògìdígbó, ọlọ́gbọ́n ní í jó o, ọmọ̀ràn ní í sì í mọ́ ọ̀n. Ìtàn tí ng ó sọ yìí, ìlù ògìdígbó ni; èmi ni ẹni tí yóó lu ìlù náà, ẹyin ni ọlọ́gbọ́n tí yóó jó o, ẹyin sì ni ọmọ̀ràn tí yóó mọ́ ọ̀n pẹ̀lú. Àwọn àgbà a máa pa òwe kan—ẹ kò bi mí bi wọn tí í pa ndan? Wọ́n ni, “Bí eégún ẹni bá jóore orí á yá ni” Tótó ó ṣe bí òwe o. Ng kò fẹ́ kí ẹ jó ilu mi bi ìgbà tí yànmùyánmú bá ń jó ìbẹ̀nbẹ́, tí ó ń ta ẹsẹ̀ wáíwáí tí ẹsẹ̀ rẹ̀ kò sí bá ìlù dógba, sugbọn kàkà bẹ́ẹ̀ kí ẹ jó ìlù náà dáadáa, kí ẹ jó o tayọ̀tayọ̀, ki ẹ jó o tẹ̀rín tẹ̀rín, tó bẹ́ẹ̀ tí àwọn ènìyàn yóó maa fi owó lè yín lórí, tí wọn yóó maa ju aṣọ sí yin lójú ìjó, tí àwọn ọkùnrin yóó maa dọ̀bálẹ̀, tí àwọn obìnrin yóó sì máa kúnlẹ̀ niwaju yín, nigbà tí ìjó yin bá ń dùn mó wọn, sugbọn bi ẹ bá sì ń fẹ́ ki ìjó yin dára, ohun méjì ni ẹ òó nílati ṣe: èkínní ni pé, nigbà tí ẹni kan bá ń sọ̀rọ̀ nínú ìtààn yìí, ẹ ó fi ara yin sí ipò olúwarẹ̀ ẹ ó máa sọ̀rọ̀ bí ẹni pé ẹyin gan-an ni. Bí ẹni kan bá sì ń dá ẹni kejì lohun ẹ ó ka ìtààn náà bi ẹni pé ẹyin ni ẹ jókòó tí ẹni kan ń ba yin sọ̀rọ̀ ti ẹ sì ń fún olúwarẹ̀ ni èsì tí ó yẹ. Gẹ́gẹ́ bí ọmọ̀ràn pẹ̀lú—ẹyí tí í ṣe ohun kejì tí ẹ ó ṣe—ẹ ó máa tikarayín fa àwọn ọgbọ́n yóò bí ẹ bá ti n ka ìtààn yìí lọ. Ng kò fẹ́ kí ng sọ̀rọ̀ púpọ̀ ní ìbẹ̀rẹ̀ yín ki n máa báa dà bí onísọkúsọ, àti bí ẹni tí ó fi ójú ọ̀nà silẹ̀ ti o ń bá inú igbó kiri. Ng ò gbé ìlú mi nísisiyìí, ng ó sì máa lù ú, mo sì fẹ́ kí ẹyin náà tún agbádá yín ṣe, ki ẹ ju apá rẹ̀ lé èjika yín, kí ẹ múra silẹ̀ fún ìjó, ki òran náà báa lè pa pọ̀ bí ọ̀rọ̀ tí ó wi pé: “Èmi lè jó ìwọ le lù, kokoro meji lo pade.” Ówe àgbà ni o.
Ní òwurọ̀ ọjọ́ daradara kan báyìí ni: ojú ọjọ́ mọ́ kedere; ikuuku lọ si ilé rẹ̀; àwọn ẹranko ìgbẹ́ sì sùn lọ; àwọn ẹranko ilé ń jẹ àmúwa Ọlọrun, àwọn ejà sì n yin Ẹlẹ́dàá wọn; atẹ́gun àlàáfíà ń fẹ́ lu àwọn eweko ìgbẹ́, gbogbo wọn dúdu mirinmirin; òòrun yóò ní ìlà-ọ̀rùn nínú ọlá ti Ọlọrun fi fun un; o tan imọlẹ̀ sínu

Diff: Left (Baseline) | Right (KarantaOCR)