TrainingDataPro/ocr-text-detection-in-the-documents

该数据集是一个包含多种文档类型（如扫描文件、表格、发票和手写笔记）的图像集合，这些图像已通过边界框标注了文本位置，专门用于文本检测和识别任务。数据集中的图像来自多样化的来源，确保了文档样式和质量的代表性。每张图像都附有边界框标注，精确地标出了文档中文本的位置。此外，数据集还提供了XML标注文件，其中包含文本的边界框坐标和标签，支持光学字符识别、信息提取和文档理解等任务。

原始信息汇总

数据集概述

数据集名称

OCR Text Detection in the Documents Object Detection dataset

数据集描述

该数据集包含一系列已标注文本位置的图像，专门为文档中的文本检测和识别任务设计，如扫描文件、表格、发票和手写笔记。数据集中的文档类型多样，包括不同的布局、字体大小和样式。每张图像都附有标注框，精确标出文档内文本的位置。

数据集内容

• images：包含原始文档图像。
• boxes：包含原始图像的边界框标注。
• annotations.xml：包含边界框的坐标和标签，为原始图像创建。

数据格式

每张来自images文件夹的图像都伴随一个annotations.xml文件中的XML标注，指示文本检测的边界框坐标和标签。每个点的x和y坐标均被提供。

文本标签

• "Text Title"：对应标题，框颜色为红色。
• "Text Paragraph"：对应文本段落，框颜色为蓝色。
• "Table"：对应表格，框颜色为绿色。
• "Handwritten"：对应手写文本，框颜色为紫色。

数据集用途

该数据集支持文本提取、识别和分析算法的开发和测试，适用于光学字符识别(OCR)、信息提取和文档理解等应用。

许可协议

数据集遵循CC-BY-NC-ND-4.0许可协议。