dajor85570/invoices-and-receipts_ocr_v1

--- configs: - config_name: default data_files: - split: train path: data/train-* - split: test path: data/test-* - split: valid path: data/valid-* dataset_info: features: - name: image dtype: image - name: id dtype: string - name: parsed_data dtype: string - name: raw_data dtype: string splits: - name: train num_bytes: 465061949.289 num_examples: 2043 - name: test num_bytes: 23808463.0 num_examples: 125 - name: valid num_bytes: 22325731.0 num_examples: 70 download_size: 281665599 dataset_size: 511196143.289 --- # Dataset Card for "invoices-and-receipts_ocr_v1" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)配置项： - 配置名称：默认（default） 数据文件： - 数据集拆分：训练集（train） 路径：data/train-* - 数据集拆分：测试集（test） 路径：data/test-* - 数据集拆分：验证集（valid） 路径：data/valid-* 数据集信息： 特征字段： - 字段名：图像（image） 数据类型（dtype）：图像 - 字段名：标识符（id） 数据类型（dtype）：字符串 - 字段名：解析后数据（parsed_data） 数据类型（dtype）：字符串 - 字段名：原始数据（raw_data） 数据类型（dtype）：字符串 数据集拆分： - 拆分名称：训练集（train） 字节大小：465061949.289 样本数量：2043 - 拆分名称：测试集（test） 字节大小：23808463.0 样本数量：125 - 拆分名称：验证集（valid） 字节大小：22325731.0 样本数量：70 下载总大小：281665599 数据集总大小：511196143.289 --- # 数据集卡片（Dataset Card）："invoices-and-receipts_ocr_v1" [需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集卡片 "invoices-and-receipts_ocr_v1"

配置

• 默认配置 (default)
  • 数据文件:
    • 训练集 (train): data/train-*
    • 测试集 (test): data/test-*
    • 验证集 (valid): data/valid-*

数据集信息

• 特征:

  • image: 图像数据
  • id: 字符串
  • parsed_data: 字符串
  • raw_data: 字符串

• 数据分割:

  • 训练集 (train):
    • 字节数: 465,061,949.289
    • 样本数: 2,043
  • 测试集 (test):
    • 字节数: 23,808,463.0
    • 样本数: 125
  • 验证集 (valid):
    • 字节数: 22,325,731.0
    • 样本数: 70

• 下载大小: 281,665,599

• 数据集大小: 511,196,143.289

搜集汇总

数据集介绍

构建方式

在商业文档智能处理领域，发票与收据的光学字符识别（OCR）是自动化财务流程的关键环节。dajor85570/invoices-and-receipts_ocr_v1数据集专为此场景构建，其数据来源涵盖真实商业场景中的多样化票据图像。构建过程中，数据集被划分为训练、测试和验证三个子集，分别包含2043、125和70个样本，总计2238张图像。每张图像均配备唯一标识符（id）、原始OCR文本（raw_data）以及经解析的结构化数据（parsed_data），为模型训练与评估提供了标准化的标注信息。

特点

该数据集的核心特色在于其精细的结构化设计。每条样本包含图像（image）、标识符（id）、解析数据（parsed_data）和原始数据（raw_data）四个字段，其中解析数据以字符串形式存储关键信息，便于下游任务直接调用。数据集总大小约511MB，训练集占据主导地位（约465MB），确保了模型学习的充分性。此外，数据集的划分比例科学合理，训练、测试与验证集的比例约为29:2:1，兼顾了模型泛化能力与性能评估的可靠性。

使用方法

该数据集通过HuggingFace Datasets库加载，使用简便。用户可指定配置名为'default'，并利用data_files参数指向对应分片路径（如data/train-*）来获取各子集。加载后，数据集以标准的Dataset对象形式呈现，支持通过索引访问图像和文本字段。对于OCR任务，可直接利用image字段进行视觉特征提取，同时结合parsed_data字段作为监督信号，适用于端到端的文本识别模型训练。此外，raw_data字段可用于对比原始OCR输出与解析结果，辅助模型优化。

背景与挑战

背景概述

在光学字符识别（OCR）技术日益成熟的背景下，票据与收据的自动化信息提取成为商业智能与财务自动化领域的核心需求。该数据集由用户dajor85570于近期创建，旨在为发票和收据的OCR识别任务提供标准化训练与评估资源。数据集包含训练样本2043例、测试样本125例及验证样本70例，覆盖图像、原始文本及解析后数据等多维度特征，为端到端的文档理解模型开发奠定了数据基础。其核心研究问题聚焦于非结构化票据图像中关键字段（如金额、日期、商家信息）的精准提取，对推动智能财务系统、自动化记账工具及企业资源规划（ERP）领域的技术落地具有显著价值。

当前挑战

当前数据集面临的核心挑战包括：其一，票据与收据的版面多样性（如不同排版格式、字体风格及倾斜角度）对OCR模型的泛化能力提出严苛要求，传统模型在应对复杂背景或低质量扫描件时易出现字符误识与漏识；其二，数据标注的准确性直接影响模型性能，而手工标注大量票据中的结构化字段（如表格内金额与行项目）耗时且易引入噪声，构建过程中需平衡标注成本与数据质量；其三，现有样本规模（总计2238例）尚不足以覆盖真实场景中票据类型的全部变体，如手写收据、多语言混合文本及褪色打印件，制约了模型在极端条件下的鲁棒性表现。

常用场景

经典使用场景

在光学字符识别与文档智能处理领域，数据集 invoices-and-receipts_ocr_v1 为发票与收据的自动化信息提取提供了宝贵的基准资源。该数据集包含超过两千张标注图像，覆盖训练、验证与测试三个标准划分，适用于训练和评估端到端的OCR模型。研究者常利用其丰富的图像与结构化文本对，开展票据关键字段（如金额、日期、发票号）的定位与识别任务，从而推动文档理解技术的精细化发展。

实际应用

在实际产业应用中，该数据集直接赋能财务自动化与智能办公场景。企业可基于其训练模型，实现发票与收据的批量扫描录入、费用报销审核及财务对账流程的无人化处理。例如，在会计软件中嵌入基于此数据集优化的OCR引擎，能够从模糊或倾斜的票据图像中快速提取关键数据，大幅降低人工录入成本与错误率，助力数字化转型的落地。

衍生相关工作

围绕该数据集，学术界衍生出多项经典工作，包括基于Transformer的文档解析模型（如LayoutLM系列）的微调适配、多模态预训练策略的改进，以及针对小样本场景的数据增强方法。部分研究还将其与公开票据基准（如SROIE、FUNSD）联合使用，探索跨数据集迁移学习的有效性。这些工作不仅验证了数据集在真实场景中的价值，也推动了视觉与语言融合技术的持续演进。