biglam/british-library-book-images · Hugging Face 上的数据集

来源：https://huggingface.co/datasets/biglam/british-library-book-images

1,080,814 张图像，从 49,455 本数字化书籍（65,227 卷，约 2,500 万页）中裁剪而来，这些书籍出版于约 1510 年至约 1900 年。由大英图书馆与微软合作数字化，并由大英图书馆实验室在 Flickr Commons 上以“1 Million Images from Scanned Books”（扫描书籍中的一百万张图片）为名发布。这些书籍涵盖地理、哲学、历史、诗歌和文学，涉及多种语言。

四种图像类型

大英图书馆实验室将这些图像按算法对每个裁剪区域的估计，分成四个单独记录存放。每个记录在这里对应一个 config：

这些类型标签是算法生成的，而非策展性的。发布说明中只提到图像是“通过算法收集的”，但并未说明具体方法，因此 plates/medium/embellishments 最好理解为页面上基于大小和位置的启发式分类，而不是艺术史分类法。尤其要注意，medium 和 plates 之间的边界是模糊的。如果这种区分对你的任务很重要，请用你自己的分类器进行过滤。

from datasets import load_dataset

# 选择一个 config —— 整个数据集约 621 GB，所以除非你有意为之，否则建议用流式加载
ds = load_dataset("biglam/british-library-book-images", "covers", split="train", streaming=True)
print(next(iter(ds)))

每十年的图像数量