kaydee/wildreceipt

---
dataset_info:
features:
- name: image
dtype: image
- name: id
dtype: string
- name: words
sequence: string
- name: bboxes
sequence:
sequence: int64
- name: ner_tags
sequence:
class_label:
names:
'0': Ignore
'1': Store_name_value
'2': Store_name_key
'3': Store_addr_value
'4': Store_addr_key
'5': Tel_value
'6': Tel_key
'7': Date_value
'8': Date_key
'9': Time_value
'10': Time_key
'11': Prod_item_value
'12': Prod_item_key
'13': Prod_quantity_value
'14': Prod_quantity_key
'15': Prod_price_value
'16': Prod_price_key
'17': Subtotal_value
'18': Subtotal_key
'19': Tax_value
'20': Tax_key
'21': Tips_value
'22': Tips_key
'23': Total_value
'24': Total_key
'25': Others
splits:
- name: train
num_bytes: 897479122.514
num_examples: 1267
- name: test
num_bytes: 428203797.0
num_examples: 472
download_size: 1367650317
dataset_size: 1325682919.514
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

数据集信息：
特征字段：
- 名称：image，数据类型：图像（image）
- 名称：id，数据类型：字符串（string）
- 名称：words，数据类型：字符串序列
- 名称：bboxes，数据类型：整数序列的序列
- 名称：ner_tags，数据类型为分类标签序列，标签映射关系如下：
0: 忽略（Ignore）
1: 门店名称值（Store_name_value）
2: 门店名称键（Store_name_key）
3: 门店地址值（Store_addr_value）
4: 门店地址键（Store_addr_key）
5: 电话号码值（Tel_value）
6: 电话号码键（Tel_key）
7: 日期值（Date_value）
8: 日期键（Date_key）
9: 时间值（Time_value）
10: 时间键（Time_key）
11: 商品条目值（Prod_item_value）
12: 商品条目键（Prod_item_key）
13: 商品数量值（Prod_quantity_value）
14: 商品数量键（Prod_quantity_key）
15: 商品单价值（Prod_price_value）
16: 商品单价键（Prod_price_key）
17: 小计值（Subtotal_value）
18: 小计键（Subtotal_key）
19: 税额值（Tax_value）
20: 税额键（Tax_key）
21: 小费值（Tips_value）
22: 小费键（Tips_key）
23: 总金额值（Total_value）
24: 总金额键（Total_key）
25: 其他（Others）
数据划分：
- 划分名称：train（训练集），数据字节大小：897479122.514，样本数量：1267
- 划分名称：test（测试集），数据字节大小：428203797.0，样本数量：472
下载总大小：1367650317
数据集总存储大小：1325682919.514
配置项：
- 配置名称：default，数据文件路径：
- 训练集：data/train-*
- 测试集：data/test-*

原始信息汇总

数据集概述

特征描述

• image: 图像数据
• id: 字符串类型
• words: 字符串序列
• bboxes: 整数序列的序列
• ner_tags: 类别标签序列，包含以下类别：
  • 0: Ignore
  • 1: Store_name_value
  • 2: Store_name_key
  • 3: Store_addr_value
  • 4: Store_addr_key
  • 5: Tel_value
  • 6: Tel_key
  • 7: Date_value
  • 8: Date_key
  • 9: Time_value
  • 10: Time_key
  • 11: Prod_item_value
  • 12: Prod_item_key
  • 13: Prod_quantity_value
  • 14: Prod_quantity_key
  • 15: Prod_price_value
  • 16: Prod_price_key
  • 17: Subtotal_value
  • 18: Subtotal_key
  • 19: Tax_value
  • 20: Tax_key
  • 21: Tips_value
  • 22: Tips_key
  • 23: Total_value
  • 24: Total_key
  • 25: Others

数据分割

• train: 包含1267个样本，大小为897479122.514字节
• test: 包含472个样本，大小为428203797.0字节

数据集大小

• 下载大小: 1367650317字节
• 数据集大小: 1325682919.514字节

配置

• default:
  • 训练数据路径: data/train-*
  • 测试数据路径: data/test-*

搜集汇总

数据集介绍

构建方式

在文档智能领域，WildReceipt数据集通过系统性地收集真实世界中的收据图像构建而成。其构建过程涵盖了多样化的收据类型与布局，确保了数据来源的真实性与广泛性。每张收据图像均经过精细的标注，不仅识别出文本内容与位置边界框，还依据预定义的实体类别体系对文本片段进行了命名实体识别标注，从而形成了一个结构化的多模态文档理解基准。

使用方法

使用WildReceipt数据集时，研究者可将其应用于端到端的收据信息提取与理解任务。典型流程包括加载图像与对应的结构化标注，利用标注中的边界框与实体标签训练或评估视觉文档理解模型，如用于关键信息抽取的命名实体识别模型或文档视觉问答模型。该数据集的标准训练与测试划分，为模型性能提供了可靠的评估基准。

背景与挑战

背景概述

随着文档智能技术的快速发展，针对真实场景下的文档理解需求日益增长，WildReceipt数据集应运而生。该数据集由研究人员Kaydee等人构建，专注于收据文档的实体识别任务，旨在解决自然场景中收据图像的复杂信息提取问题。其核心研究在于通过精细的实体标注，如商店名称、商品条目、价格等关键字段，推动视觉文档理解模型在真实世界应用中的性能提升，对零售、金融等领域的自动化处理具有显著影响力。

当前挑战

WildReceipt数据集面临的挑战主要集中于两个方面：在领域问题层面，收据图像常存在光照不均、折叠污损、字体多样及布局非结构化等复杂视觉变异，这为实体识别模型的鲁棒性与泛化能力提出了严峻考验；在构建过程中，数据采集需涵盖广泛的实际场景以确保多样性，同时人工标注需处理大量细粒度实体类别，如区分“Prod_item_key”与“Prod_item_value”，这导致了高昂的标注成本与一致性维护的困难。

常用场景

经典使用场景

在文档智能与信息抽取领域，WildReceipt数据集凭借其丰富的收据图像与结构化标注，为视觉文档理解任务提供了经典应用场景。该数据集常用于训练和评估端到端的收据信息提取模型，例如通过光学字符识别与命名实体识别相结合的技术，自动识别收据中的关键实体，如商店名称、地址、商品条目、价格及总计等。这种应用不仅推动了文档布局分析与文本识别算法的进步，还为处理真实世界中的非结构化文档数据提供了标准化基准。

解决学术问题

WildReceipt数据集有效解决了文档智能研究中多个常见学术问题，包括复杂布局下的文本检测与识别、多类别实体抽取以及视觉与语言模态的融合建模。通过提供精细的边界框与实体标签，该数据集支持研究者探索如何从噪声背景、扭曲文本及多样格式的收据中准确提取结构化信息，从而缓解了真实场景数据稀缺的挑战。其意义在于促进了视觉文档理解模型的泛化能力与鲁棒性，为学术社区提供了可复现的实验基础。

实际应用

在实际应用层面，WildReceipt数据集直接赋能了自动化办公与商业流程的智能化转型。例如，在财务报销系统中，基于该数据集训练的模型能够自动解析扫描收据，提取关键财务信息并录入数据库，大幅减少人工录入错误与时间成本。此外，在零售分析与个人消费管理领域，此类技术有助于实现收据数据的快速数字化与分类，提升数据处理效率，为企业与个人用户提供便捷的智能文档处理解决方案。

数据集最近研究

最新研究方向

在文档智能与视觉语言理解领域，kaydee/wildreceipt数据集作为真实场景下的收据图像与结构化标注资源，正推动着端到端信息提取技术的演进。当前研究聚焦于多模态Transformer架构的优化，通过联合建模图像视觉特征与文本序列，提升对收据中关键实体（如商品名称、价格、日期）的定位与识别精度。热点探索方向包括弱监督与少样本学习策略，以应对实际应用中标注数据稀缺的挑战，同时结合领域自适应方法增强模型对多样化布局与噪声的鲁棒性。这些进展不仅加速了自动化财务处理系统的落地，也为零售、物流等行业的数字化变革提供了核心技术支持。