【亲测免费】 OCR常用公开数据集整理

本仓库致力于为研究人员和开发者提供一份详尽的OCR（光学字符识别）公开数据集指南，涵盖了多种语言和场景的文本识别与检测数据。这些数据集对于训练和测试OCR系统至关重要，能帮助开发者提升模型在真实世界条件下的表现。以下是精心挑选的部分数据集概览，它们适用于不同的研究和开发需求：

主要数据集列表：

• ICDAR系列:

  • ICDAR 2013: 包含英文的自然场景图片，适用于基础的OCR训练。
  • ICDAR 2015: 提供更为复杂的四点标注，适合多边形文本框的识别训练。
  • ICDAR2017-MLT: 多语言文本数据集，适合跨国界OCR研究。

• 特殊场景数据集:

  • ICDAR2017-RCTW: 专注于中文街头文本的识别，丰富了中文OCR的研究范围。
  • Synth800k: 由合成场景文本组成，非常适合初始化模型训练。

• 大规模中文数据集:

  • 360万中文数据集: 强大的中文字符数据，适合深度学习的大规模训练。
  • 中文街景数据集CTW: 提供了大量的中文字符标注的街景图片，有助于复杂环境下的字符识别。

• 混合语言与特定任务数据集:

  • ICDAR2019-MLT 更新版: 解决了原始数据集中存在的标签问题，优化了混合语言的训练体验。
  • ICDAR2019-LSVT: 专为中文街景文本设计，含有大量未经严格标注的数据，适合弱监督学习。

数据集特点：

• 格式多样：数据集包含JSON和TXT两种标签格式，满足不同项目的需求。
• 难度分级：部分数据集如ICDAR2019-ArT，提供了难度不同的文本，便于针对性训练。
• 标注精确：多数数据集采用四点坐标标注，适合复杂的文字检测任务。
• 语言覆盖广泛：从单一语言到多语言混合，适合多国语言OCR系统的研发。

使用指导：

• 本仓库不仅提供数据集链接，还包括必要的标签转换脚本，如将JSON标签转换为TXT格式。
• 注意某些数据集的特殊性，比如图像格式或标签格式的异常，确保在使用前进行适当的预处理。
• 对于未提供的测试标签，指引访问官方网址进行成绩提交评估。

获取与贡献：

• 数据集的具体下载链接、提取码以及使用注意事项，请参照上述链接的详细文章。
• 开发者鼓励社区成员参与，共享更多资源或反馈数据集中遇到的问题，共同促进OCR技术的进步。

通过本资源，开发者可以获得一站式解决方案，加速OCR相关项目的进展。记得在使用数据集时，遵守各自的版权规定，并适当引用来源。