image
imagewidth (px)
28
28
label
class label
26 classes
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A
0A

Dataset Card for "letter_recognition"

Images in this dataset was generated using the script defined below. The original dataset in CSV format and more information of the original dataset is available at A-Z Handwritten Alphabets in .csv format.

import os
import pandas as pd
import matplotlib.pyplot as plt

CHARACTER_COUNT = 26

data = pd.read_csv('./A_Z Handwritten Data.csv')
mapping = {str(i): chr(i+65) for i in range(26)}

def generate_dataset(folder, end, start=0):
    if not os.path.exists(folder):
        os.makedirs(folder)
        print(f"The folder '{folder}' has been created successfully!")
    else:
        print(f"The folder '{folder}' already exists.")

    for i in range(CHARACTER_COUNT):
        dd = data[data['0']==i]
        for j in range(start, end):
            ddd = dd.iloc[j]
            x = ddd[1:].values
            x = x.reshape((28, 28))
            plt.axis('off')
            plt.imsave(f'{folder}/{mapping[str(i)]}_{j}.jpg', x, cmap='binary')
            
generate_dataset('./train', 1000)
generate_dataset('./test', 1100, 1000)
Downloads last month
4
Edit dataset card

Models trained or fine-tuned on pittawat/letter_recognition