Synthtext 数据集

Synth text 数据集官网下载的主要包含图像文件夹和gt.mat标注文件，共85万（858750）多张图片数据。该数据集中包含了词级别标注、字符级别标注和文本识别内容，可用于文本检测和文本识别模型。

1、mat格式标注文件读取，采用scipy.io中的loadmat函数读取，读到的结果是一个字典。

from scipy.io import loadmat
m = loadmat('gt.mat')

2、Synth text的mat标注数据的keys包括（'__header__', '__version__', '__globals__', 'charBB', 'wordBB', 'imnames', 'txt'），关键的标注数据有：

（1）'charBB'：字符标注框，绝对坐标，1x858750；

（2） 'wordBB'：词标注框，绝对坐标，1x858750；

（3） 'imnames'：图片名称，1x858750；

（4） 'txt'：文本识别内容，，1x858750。

3、字符和词标注框：以词标注框为例，首先分为两个维度，一个是x坐标，一个是y坐标。这两个维度又分别包含4个维度，这4个维度分别对应左上、右上、右下和左下四个点的坐标。这些维度下包含N个值，这N个值就代表N个字符或词。

4、imnames存放图片名称

 5、txt文本识别内容，包含去不的字符和单词，单词的实际个数不是txt的长度，txt可能认为是句子的标注，词需要根据其中的换行符\n进行区分。