Датасети Hugging Face

Огляд датасетів

Попередній перегляд та дослідження датасетів BUDOVA.

budova/speech-uk-construction

100+ годин анотованого будівельного мовлення

~45 GBWAV/FLAC + JSON-linesCC-BY 4.0train / validation / testASR, Speaker ID

Публікація з релізом v1.0 — зараз триває збір

budova/text-uk-construction

100M+ токенів будівельної документації з NER

~2.1 GBJSON-linesCC-BY 4.0train / validation / testNER, Text Classification

Публікація з релізом v1.0 — зараз триває збір

budova/construction-lexicon

5-10K двомовних будівельних термінів

~12 MBJSONCC-BY 4.0fullTranslation, Terminology

Публікація з релізом v1.0 — зараз триває збір

Зразки записів

Попередній перегляд формату текстового корпусу.

ID	Текст	Джерело	Сутності	Категорія
doc_001	Застосування арматури класу A500C для фундаментних конструкцій згідно ДБН...	dbn	4	матеріали
doc_042	Монтаж опалубки перекриття виконується після перевірки несучої здатності...	spec	3	процес
doc_108	Протипожежний захист сталевих колон забезпечується нанесенням вогнезахисного...	safety	5	безпека
doc_215	Бетонна суміш класу C25/30 з додаванням пластифікатора для підвищення...	dbn	3	матеріали
doc_330	Геодезичний контроль вертикальності стін здійснюється теодолітом з точністю...	spec	2	процес

Швидкий старт

pip install datasets

from datasets import load_dataset
ds = load_dataset("budova/speech-uk-construction")
print(ds["train"][0])

Формат даних

{
  "text": "Застосування арматури класу A500C...",
  "labels": [
    {"start": 20, "end": 30, "label": "material", "text": "A500C"}
  ],
  "domain": "reinforcement",
  "validation_score": 0.95
}

Датасети у процесі активного збору. Публічні релізи на Hugging Face — з версією v1.0; живий прогрес — на сторінці Coverage.

Живий прогрес збору