【数据集】OCR_DataSet：有关OCR的数据集并统一标注格式

推荐一个Github项目：

WenmuZhou/OCR_DataSet

这个项目“收集并整理有关OCR的数据集并统一标注格式，以便实验需要”。

• 
  

项目链接，点击阅读原文可以直达：

https://github.com/WenmuZhou/OCR_DataSet

以下介绍来自该项目主页，相关链接可通过点击阅读原文直达项目主页：

Todo

•  提供数据集百度云链接

•  数据集转换为统一格式(检测和识别)

•  icdar2015

•  MLT2019

•  COCO-Text_v2

•  ReCTS

•  SROIE

•  ArT

•  LSVT

•  Synth800k

•  icdar2017rctw

•  MTWI 2018

•  百度中文场景文字识别

•  mjsynth

•  Synthetic Chinese String Dataset(360万中文数据集)

•  提供读取脚本

下载

百度云 提取码：9s4x

数据集

数据集	主页	适用情况	数据情况	标注形式	说明
ICDAR2015	https://rrc.cvc.uab.es/?ch=4	检测&识别	语言: 英文 train:1,000 test:500	x1, y1, x2, y2, x3, y3, x4, y4, transcription	坐标: x1, y1, x2, y2, x3, y3, x4, y4 transcription : 框内的文字信息
MLT2019	https://rrc.cvc.uab.es/?ch=15	检测&识别	语言: 混合 train:10,000 test:10,000	x1,y1,x2,y2,x3,y3,x4,y4,script,transcription	坐标: x1, y1, x2, y2, x3, y3, x4, y4 script: 文字所属语言 transcription : 框内的文字信息
COCO-Text_v2	https://bgshih.github.io/cocotext/	检测&识别	语言: 混合 train:43,686 validation:10,000 test:10,000	json
ReCTS	https://rrc.cvc.uab.es/?ch=12&com=introduction	检测&识别	语言: 混合 train:20,000 test:5,000	{ “chars”: [ {“points”: [x1,y1,x2,y2,x3,y3,x4,y4], “transcription” : “trans1”, "ignore":0 }, {“points”: [x1,y1,x2,y2,x3,y3,x4,y4], “transcription” : “trans2”, " ignore ":0 }], “lines”: [ {“points”: [x1,y1,x2,y2,x3,y3,x4,y4] , “transcription” : “trans3”, "ignore ":0 }], }	points: x1,y1,x2,y2,x3,y3,x4,y4 chars: 字符级别的标注 lines: 行级别的标注. transcription : 框内的文字信息 ignore: 0:不忽略，1:忽略
SROIE	https://rrc.cvc.uab.es/?ch=13	检测&识别	语言: 英文 train:699 test:400	x1, y1, x2, y2, x3, y3, x4, y4, transcription	坐标: x1, y1, x2, y2, x3, y3, x4, y4 transcription : 框内的文字信息
ArT(已包含Total-Text和SCUT-CTW1500)	https://rrc.cvc.uab.es/?ch=14	检测&识别	语言: 混合 train: 5,603 test: 4,563	{ “gt_1”: [ {“points”: [[x1, y1], [x2, y2], …, [xn, yn]], “transcription” : “trans1”, “language” : “Latin”, "illegibility": false }, {“points”: [[x1, y1], [x2, y2], …, [xn, yn]], “transcription” : “trans2”, “language” : “Chinese”, "illegibility": false }], }	points: x1,y1,x2,y2,x3,y3,x4,y4…xn,yn transcription : 框内的文字信息 language: 语言信息 illegibility: 是否模糊
LSVT	https://rrc.cvc.uab.es/?ch=16	检测&识别	语言: 混合 全标注 train: 30,000 test: 20,000 只标注文本 400,000	{ “gt_1”: [ {“points”: [[x1, y1], [x2, y2], …, [xn, yn]], “transcription” : “trans1”, "illegibility": false }, {“points”: [[x1, y1], [x2, y2], …, [xn, yn]], “transcription” : “trans2”, "illegibility": false }], }	points: x1,y1,x2,y2,x3,y3,x4,y4…xn,yn transcription : 框内的文字信息 illegibility: 是否模糊
Synth800k	http://www.robots.ox.ac.uk/~vgg/data/scenetext/	检测&识别	语言: 英文 800,000	imnames: wordBB: charBB: txt:	imnames: 文件名称 wordBB: 24n,每张图像内的文本框 charBB: 24n,每张图像内的字符框 txt: 每张图形内的字符串
icdar2017rctw	https://blog.csdn.net/wl1710582732/article/details/89761818	检测&识别	语言: 混合 train:8,034 test:4,229	x1,y1,x2,y2,x3,y3,x4,y4,<识别难易程度>,transcription	坐标: x1, y1, x2, y2, x3, y3, x4, y4 transcription : 框内的文字信息
MTWI 2018	识别: https://tianchi.aliyun.com/competition/entrance/231684/introduction 检测: https://tianchi.aliyun.com/competition/entrance/231685/introduction	检测&识别	语言: 混合 train:10,000 test:10,000	x1, y1, x2, y2, x3, y3, x4, y4, transcription	坐标: x1, y1, x2, y2, x3, y3, x4, y4 transcription : 框内的文字信息
百度中文场景文字识别	https://aistudio.baidu.com/aistudio/competition/detail/20	识别	语言: 混合 train:未统计 test:未统计	h,w,name,value	h: 图片高度 w: 图片宽度 name: 图片名 value: 图片上文字
mjsynth	http://www.robots.ox.ac.uk/~vgg/data/text/	识别	语言: 英文 9,000,000	-	-
Synthetic Chinese String Dataset(360万中文数据集)	链接：https://pan.baidu.com/s/1jefn4Jh4jHjQdiWoanjKpQ 提取码：spyi	识别	语言: 混合 300k	-	-

数据生成工具

https://github.com/TianzhongSong/awesome-SynthText

数据集读取脚本

• 检测读取脚本

• 识别读取脚本

推荐阅读

AINLP年度阅读收藏清单

数学之美中盛赞的 Michael Collins 教授，他的NLP课程要不要收藏？

自动作诗机&藏头诗生成器：五言、七言、绝句、律诗全了

From Word Embeddings To Document Distances 阅读笔记

模型压缩实践系列之——bert-of-theseus，一个非常亲民的bert压缩方法

这门斯坦福大学自然语言处理经典入门课，我放到B站了

可解释性论文阅读笔记1-Tree Regularization

征稿启示 | 稿费+GPU算力+星球嘉宾一个都不少

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。