OCR_DataSet

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。包含多个数据集如ICDAR2015, MLT2019, COCO-Text_v2等，每个数据集都有详细的标注形式和说明。

Collect and organize datasets related to OCR (Optical Character Recognition) and standardize the annotation format to meet experimental requirements. The collection includes multiple datasets such as ICDAR2015, MLT2019, COCO-Text_v2, etc., each with detailed annotation formats and descriptions.

原始信息汇总

数据集概述

数据集列表

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	-	-

数据集读取脚本

• 检测读取脚本
• 识别读取脚本

搜集汇总

数据集介绍

构建方式

OCR_DataSet的构建方式基于多个公开的文本检测与识别数据集，涵盖了多种语言和场景。数据集通过统一格式转换，整合了包括ICDAR2015、MLT2019、COCO-Text_v2、ReCTS等在内的多个知名数据集。每个数据集均经过标准化处理，确保数据格式的一致性，便于后续的模型训练与评估。此外，数据集还提供了详细的标注信息，如文本框坐标、文字内容、语言类型等，确保了数据的丰富性和多样性。

特点

OCR_DataSet的特点在于其广泛的数据来源和多样化的标注形式。数据集不仅涵盖了英文、中文等多种语言，还包含了不同场景下的文本图像，如自然场景、文档、广告等。每个数据集的标注信息详细且规范，包括文本框的坐标、文字内容、语言类型等，部分数据集还提供了字符级别的标注。此外，数据集的规模庞大，涵盖了数百万张图像，能够满足大规模深度学习模型的需求。

使用方法

OCR_DataSet的使用方法较为灵活，用户可以通过提供的百度云链接下载数据集，并使用附带的读取脚本进行数据加载。数据集分为检测和识别两部分，分别对应不同的任务需求。用户可以根据具体任务选择相应的数据集进行训练或测试。读取脚本支持多种数据格式的解析，能够快速加载图像和标注信息。此外，数据集还提供了数据生成工具的链接，用户可以根据需要生成更多的合成数据，以增强模型的泛化能力。

背景与挑战

背景概述

OCR_DataSet是一个专注于光学字符识别（OCR）领域的数据集，旨在为文本检测与识别任务提供多样化的数据支持。该数据集整合了多个公开数据集，如ICDAR2015、MLT2019、COCO-Text_v2等，涵盖了多种语言和场景，包括英文、中文及其他混合语言。数据集的核心研究问题在于如何通过多源数据的融合与标准化，提升OCR模型在复杂场景下的泛化能力与识别精度。OCR_DataSet的创建时间不详，但其整合的数据集多来源于近年来的国际竞赛与研究项目，如ICDAR系列竞赛和COCO-Text项目，这些数据集的广泛使用对OCR领域的研究与技术进步产生了深远影响。

当前挑战

OCR_DataSet面临的挑战主要体现在两个方面。首先，在领域问题方面，尽管数据集整合了多种语言和场景的文本数据，但如何有效处理多语言混合、复杂背景、模糊文本及不规则文本布局等问题，仍是OCR技术的主要难点。其次，在数据集构建过程中，挑战主要来自数据的标准化与统一。由于各源数据集的标注格式、语言分布、图像质量等存在显著差异，如何将这些异构数据转换为统一的格式，并确保标注的准确性与一致性，是数据集构建的核心难题。此外，数据集的规模与多样性仍需进一步扩展，以应对更广泛的OCR应用场景。

常用场景

经典使用场景

OCR_DataSet广泛应用于光学字符识别（OCR）领域，特别是在多语言文本检测和识别任务中。该数据集整合了多个国际知名的OCR数据集，如ICDAR2015、MLT2019和COCO-Text_v2等，涵盖了从简单到复杂的多种场景文本。研究者可以利用该数据集进行文本检测、文本识别以及多语言混合场景下的OCR技术开发与优化。

实际应用

在实际应用中，OCR_DataSet被广泛用于自动化文档处理、车牌识别、广告牌文本提取以及多语言翻译系统等领域。例如，在金融行业，该数据集可用于自动化票据处理；在交通管理领域，可用于车牌识别系统；在广告行业，可用于广告牌文本的自动提取与分析。这些应用场景极大地提升了相关行业的自动化水平和效率。

衍生相关工作

基于OCR_DataSet，研究者们开发了多种经典的OCR模型和算法。例如，基于该数据集的深度学习模型在ICDAR竞赛中取得了优异的成绩。此外，许多开源OCR工具和框架，如PaddleOCR和MMOCR，也利用该数据集进行模型训练和性能评估。这些衍生工作不仅推动了OCR技术的发展，还为工业界提供了实用的解决方案。