Datasets:

krotreaksmey
/

khmer_math

image imagewidth (px) 30 744	text stringclasses 124 values
	\log(ab)=\log a+\log b
	ចូរសម្រួលកន្សោម
	\lim_{x\to\infty}\frac{1}{x}=0
	\sigma=\sqrt{\frac1n\sum(x_i-\mu)^2}
	គណនាលទ្ធផលចុងក្រោយ
	សរសេរជាទម្រង់ស្តង់ដារ
	\sum_{i=1}^{n}i=\frac{n(n+1)}2
	រកអនុគមន៍កំណើន
	រកដេរីវេនៃអនុគមន៍
	រកកូអរដោនេ
	គណនាអនុបាត
	y=ax^2+bx+c
	គណនាបរិមាណ
	គណនាលីមីតនៃអនុគមន៍ខាងក្រោម
	ចូរសរសេរជាចម្លើយ
	\tan x=\frac{\sin x}{\cos x}
	\tan x=\frac{\sin x}{\cos x}
	\sin x
	\cos x
	\cos x
	\pi r^2
	រកចំណុចកាត់
	ចូរប្រៀបធៀប
	\frac{d}{dx}(\sin x)=\cos x
	រកអនុគមន៍ដើម
	រកមុំ
	V=\frac43\pi r^3
	គណនាបរិវេណ
	គណនាភាគរយ
	ដោះស្រាយសមីការខាងក្រោម
	រកដែនកំណត់
	គណនាប្រវែង
	សរសេរជាទម្រង់លីនេអ៊ែរ
	\int \sin x\,dx=-\cos x+C
	\left(\frac{x+y}{2}\right)^2
	\alpha+\beta+\gamma=180^\circ
	\lim_{x\to\infty}\frac{1}{x}=0
	រកអង្កត់ផ្ចិត
	\int_0^1 x^2dx=\frac13
	\sqrt[n]{x}
	រកអនុគមន៍កំណើន
	គណនាកាំ
	\lim_{x\to0}\frac{1-\cos x}{x^2}=\frac12
	\lim_{x\to0}\frac{1-\cos x}{x^2}=\frac12
	\overline{AB}
	ចូរបង្ហាញថា
	\binom{n}{k}
	\sin^2x+\cos^2x=1
	f''(x)=6x
	\log(ab)=\log a+\log b
	សរសេរជាទម្រង់ស្តង់ដារ
	គណនាប្រវែង
	\pi r^2
	y=ax^2+bx+c
	គណនាកាំ
	រកអនុគមន៍កំណើន
	រកអតិបរមា
	រកចំនួនដំណោះស្រាយ
	\log(ab)=\log a+\log b
	\lim_{x\to\infty}\frac{1}{x}=0
	គណនាអនុគមន៍
	\prod_{i=1}^{n}i=n!
	រកអតិបរមា
	ចម្លើយ
	\binom{n}{k}
	រកអនុគមន៍បញ្ច្រាស
	សរសេរជាទម្រង់លីនេអ៊ែរ
	រកមុំ
	សរសេរជាទម្រង់ស្តង់ដារ
	\lim_{x\to0}\frac{1-\cos x}{x^2}=\frac12
	រកមុំ
	\lim_{x\to\infty}\frac{1}{x}=0
	បំពេញចន្លោះខាងក្រោម
	y=ax^2+bx+c
	\angle ABC=90^\circ
	V=\frac43\pi r^3
	ដោះស្រាយប្រព័ន្ធសមីការ
	\sum_{i=1}^{n}i^2=\frac{n(n+1)(2n+1)}6
	\sum_{i=1}^{n}i^2=\frac{n(n+1)(2n+1)}6
	\bar{x}=\frac1n\sum x_i
	រកកូអរដោនេ
	សរសេរជាទម្រង់លីនេអ៊ែរ
	\prod_{i=1}^{n}i=n!
	\frac{1}{1+x}
	\lim_{x\to0}\frac{1-\cos x}{x^2}=\frac12
	\sqrt[n]{x}
	រកដេរីវេនៃអនុគមន៍
	រកតម្លៃនៃអថេរ
	រកដែនកំណត់
	គណនាលីមីតនៃអនុគមន៍ខាងក្រោម
	លំហាត់ទី ១
	\vec{AB}
	រកអនុគមន៍កំណើន
	ចូរគណនា
	គណនាលទ្ធផលចុងក្រោយ
	គណនាអនុគមន៍
	x=\frac{-b\pm\sqrt{b^2-4ac}}{2a}
	\alpha+\beta+\gamma=180^\circ
	គណនាបរិវេណ
	P(A)=\frac{n(A)}{n(S)}

End of preview. Expand in Data Studio

Khmer Math OCR Dataset

OCR dataset for Khmer text and LaTeX math expression recognition, generated from synthetic document images with YOLOv8 OBB detection.

Dataset Summary

Split	Samples	Khmer	LaTeX
train	8,962	5,529	3,433
validation	1,537	1,498	39
Total	10,499	7,027	3,472

Features

Feature	Type	Description
`image`	PIL Image	Cropped text region from synthetic document
`text`	string	Ground truth text (Khmer or LaTeX source)

Classes

ID	Name	Description
0	`khmer`	Khmer script text (books, newspapers, conversations)
1	`expression`	LaTeX math formulas (integrals, matrices, equations)

Examples

Khmer:

រកអតិបរមា (Find the maximum)
គណនាលីមីតនៃអនុគមន៍ខាងក្រោម (Calculate the limit of the following function)
សូមបង្ហាញវិធីធ្វើ (Please show the working)

LaTeX:

x^2+2x+1
\frac{-b\pm\sqrt{b^2-4ac}}{2a}
\int_0^1 x^2dx=\frac13

Usage

from datasets import load_dataset

ds = load_dataset("krotreaksmey/khmer_math")

# View a sample
example = ds["train"][0]
print(example["text"])
example["image"]

Generation Pipeline

Synthetic data generation — LuaLaTeX + Khmer fonts (KhmerOS) on random backgrounds
YOLOv8 OBB training — 12,213 synthetic document pages, mAP50=0.995
OCR dataset building — YOLO detects text regions → crop → match with ground truth labels via IoU
Label quality — 98% actual text labels (IoU matching with threshold=0.3)

Image Stats

Width: 60–1046 px (avg ~380 px)
Height: 38–171 px (avg ~74 px)

Citation

@misc{khmer_math_ocr_2026,
  title={Khmer Math OCR Dataset},
  author={krotreaksmey},
  year={2026},
  url={https://huggingface.co/datasets/krotreaksmey/khmer_math}
}

Downloads last month: 58