中文试卷切题数据集 / Chinese Exam Question Detection Dataset

中文试卷切题数据集包含2360页试卷和12431个题目框，覆盖数学、语文、英语、物理、化学、生物、历史、地理、政治九个科目。数据包含原图、YOLO标签、像素坐标标注、题号和续题关系，类别为0: question，用于训练YOLO等目标检测模型，支持题目检测、试卷分割和自动切题。数据按整卷及同场考试分组划分，训练集2094页、验证集130页、测试集136页。

原始信息汇总

中文试卷切题数据集

英文名称：Chinese Exam Question Detection Dataset

• 详情页：https://github.com/jz315/chinese-exam-question-regions
• 规模：2360 页试卷，12431 个题目框
• 科目覆盖：数学、语文、英语、物理、化学、生物、历史、地理、政治
• 用途：训练 YOLO 等目标检测模型，支持题目检测、试卷分割和自动切题
• 数据内容：原图、YOLO 标签、像素坐标标注、题号和续题关系
• 类别：0: question
• 标注方式：AI 逐页标注与交叉复核

资源链接

• Hugging Face 数据集：https://huggingface.co/datasets/ccace/chinese-exam-question-regions
• GitHub 仓库：https://github.com/jz315/chinese-exam-question-regions
• 下载 ZIP：https://github.com/jz315/chinese-exam-question-regions/releases/download/v0.3.0/chinese-exam-question-regions-v0.3.zip
• 数据格式：https://github.com/jz315/chinese-exam-question-regions/blob/main/FORMAT.md
• 标注规则：https://github.com/jz315/chinese-exam-question-regions/blob/main/ANNOTATION_POLICY.md

数据划分

按整卷及同场考试分组，训练集 2094 页、验证集 130 页、测试集 136 页。

科目	训练	验证	测试	合计
数学	882	15	14	911
语文	193	13	16	222
英语	164	11	16	191
物理	189	15	16	220
化学	126	15	15	156
生物	119	16	14	149
历史	144	15	15	174
地理	134	15	15	164
政治	143	15	15	173
合计	2094	130	136	2360

使用

YOLO

下载 ZIP 并解压，将 dataset.yaml 的绝对路径传给训练接口。示例训练参数：epochs=100，imgsz=1280，模型为 yolo26s.pt。

Hugging Face

Parquet 文件内嵌原图和标注，可通过 datasets 读取。bboxes 使用原图像素坐标 [x1, y1, x2, y2]；YOLO 标签使用归一化坐标。

文件内容

文件或目录	内容
images	试卷原图
labels	YOLO 标签
annotations	像素坐标、题号与续题关系
dataset.yaml	YOLO 训练配置
manifest.json	页面尺寸、来源、划分与文件哈希
sources.json	来源记录
CHECKSUMS.sha256	文件校验和

标注规则

• 一个框包含题号、题干、全部选项、公式、配图及印刷小问。
• 共享阅读材料与对应小题合成题组。
• 跨页、跨栏的连续题面分别成框，并共享 question_id。
• 标题、页码、长空白答题区和答案页排除。
• 反馈标注问题时，需提供 page_id、question_id 和建议坐标。

许可

标注与数据说明采用 CC BY 4.0，署名 jz315 / Chinese Exam Question Regions。原卷图片保留相应权利人的权利。详见 https://github.com/jz315/chinese-exam-question-regions/blob/main/LICENSE.md

搜集汇总

数据集介绍

构建方式

面向中文教育场景中的试卷版面解析与自动切题需求，该数据集以真实试卷页面为对象完成结构化构建。其汇集2360页试卷图像，覆盖数学、语文、英语、物理、化学、生物、历史、地理、政治九科，共标注12431个题目区域框，类别统一为question。构建过程引入AI逐页标注与交叉复核机制，产出原图、YOLO标签、像素坐标、题号及续题关系等多层信息。数据按整卷及同场考试分组，划分为训练集2094页、验证集130页与测试集136页，以降低同源内容跨划分泄漏风险，并为题目检测模型训练提供可复现基础。

特点

立足中文试卷复杂版面与多学科混合题型，该数据集呈现出显著的领域针对性与标注精细度。其覆盖九大学科，题目框不仅囊括题号、题干、全部选项、公式、配图及印刷小问，还通过题组结构关联共享阅读材料与对应小题，跨页、跨栏连续题面分别成框并共享question_id。数据同时提供原图像素坐标与YOLO归一化标签，并配备manifest、来源记录与校验和文件，便于追踪页面尺寸、来源、划分及文件完整性。标题、页码、长空白答题区和答案页被排除，使标注更聚焦于真实试题区域。

使用方法

服务于试卷分割、自动切题与版面分析等任务，该数据集可通过YOLO与Hugging Face两种途径便捷调用。下载ZIP并解压后，将dataset.yaml的绝对路径传入Ultralytics YOLO训练接口，即可开展目标检测模型训练。若采用Hugging Face datasets，则可直接加载Parquet文件，读取page中的image与bboxes字段；bboxes采用原图像素坐标[x1, y1, x2, y2]，YOLO标签则使用归一化坐标。模型输出可用于定位题目区域并驱动后续切题流程。若反馈标注问题，需提供page_id、question_id及建议坐标，以支持数据修订与质量维护。

背景与挑战

背景概述

中文试卷自动切题处于教育测评数字化、光学字符识别后处理与文档版面分析的交汇地带，长期受制于异构版式和高质量标注稀缺。Chinese Exam Question Detection Dataset 汇集2360页试卷与12431个题目框，覆盖数学、语文、英语、物理、化学、生物、历史、地理、政治九科，提供YOLO标签、像素坐标、题号及续题关系，由jz315发布并维护于GitHub与Hugging Face。其核心研究问题是从真实试卷图像中精准检测题目区域，服务题目检测、试卷分割与自动切题，并按整卷及同场考试分组划分训练2094页、验证130页、测试136页，以降低泄漏风险。该数据集为中文教育文档理解与目标检测评测提供了结构化基准。

当前挑战

该数据集所直面的领域问题在于中文试卷版面语义的高度异质与关系复杂：九科目在排版、公式、图表、选项与阅读材料组织上风格迥异，题目框需涵盖题号、题干、选项、公式、配图及印刷小问，跨页、跨栏连续题面与共享材料题组更要求模型兼顾局部定位和长程关联推断。构建过程中的挑战集中于边界判定与标注一致性，须排除标题、页码、长空白答题区和答案页，区分题组与独立题目，并在AI逐页标注后交叉复核，使题号、续题关系、像素坐标与YOLO归一化标签严格对应。按整卷及同场考试划分可抑制数据泄漏，但学科分布不均与版式多样仍对泛化能力形成考验。

常用场景

经典使用场景

在智能教育文档理解与版面分析领域，中文试卷切题数据集以2360页试卷、12431个题目框和九大学科覆盖，为题目区域检测提供了细粒度监督。其经典用法在于训练YOLO等目标检测模型，使模型学习题号、题干、选项、公式、配图及印刷小问共同构成的题目边界，并借助归一化YOLO标签或原图像素坐标完成试卷分割与自动切题。Hugging Face的Parquet接口可直接读取图像与框标注，便于将整页试卷切分为独立题目，为后续OCR、题目检索、结构化题库构建和组卷分析奠定基础。

实际应用

在智慧教育、题库建设与自动阅卷实践中，该数据集支撑从试卷图像到题目级结构化的关键环节。训练后的检测模型可自动框选题目区域，将切分结果送入OCR、公式识别与语义分析模块，生成可检索、可组卷、可推荐的数字题目资源。学校扫描阅卷、在线测评、拍题搜题、错题本与个性化学习等系统，均可借助其YOLO标签和像素坐标降低人工切题成本。题号与续题关系还能帮助材料题、跨页题保持语义完整，提升后续批改与知识追踪的准确性。

衍生相关工作

伴随题目检测与文档智能研究的发展，该数据集关联的经典工作主要汇聚于YOLO系列题目检测、试卷版面分析、文档目标检测及OCR流水线集成。README给出的Ultralytics训练示例表明，其可直接服务于单类题目区域检测，并为DETR、Mask R-CNN、LayoutLM等文档理解方法在中文试卷场景的适配评测提供数据土壤。相关研究常将其与PaddleOCR、公式识别和自动切题系统衔接，形成检测、识别、结构化到教育应用的题目级理解链路。