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。

This dataset is an image collection encompassing multiple document types, including scanned documents, tables, invoices, and handwritten notes. All images have been annotated with bounding boxes to mark the positions of text, and it is specifically tailored for text detection and recognition tasks. The images are sourced from diverse origins, ensuring the representativeness of various document styles and quality levels. Each image is paired with bounding box annotations that precisely locate the text within the document. Furthermore, the dataset provides XML annotation files containing the bounding box coordinates and corresponding labels for the text, which supports a range of tasks such as optical character recognition (OCR), information extraction, and document understanding.

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。