99数据集预处理_实用OCR数据集

实用OCR数据集，近期梳理了OCR的数据集，参见如下，供大家参考使用。

1. ICDAR2019-LSVT

共45w中文街景图像，包含5w(2w测试+3w训练)全标注数据(文本坐标+文本内容)，40w弱标注数据(仅文本内容).

下载地址：https://ai.baidu.com/broad/download%3Fdataset%3Dlsvt

2. ICDAR2017-RCTW-17

共包含12,000+图像，大部分图片是通过手机摄像头在野外采集的。有些是截图。这些图片展示了各种各样的场景，包括街景、海报、菜单、室内场景和手机应用程序的截图。

下载地址：https://rctw.vlrlab.net/dataset/

3. 中文街景文字识别

共包括29万张图片，其中21万张图片作为训练集(带标注)，8万张作为测试集(无标注)。数据集采自中国街景，并由街景图片中的文字行区域(例如店铺标牌、地标等等)截取出来而形成。所有图像都经过一些预处理，将文字区域利用仿射变化，等比映射为一张高为48像素的图片。

下载地址：https://aistudio.baidu.com/aistudio/datasetdetail/8429

4. 中文文档文字识别

共约364万张图片，按照99:1划分成训练集和验证集。数据利用中文语料库(新闻 + 文言文)，通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成。包含汉字、英文字母、数字和标点共5990个字符(字符集合：https://github.com/YCG0