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。
- 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
- 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/
- 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
- 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