datasets.md 4.5 KB
Newer Older
D
dyning 已提交
1
## 通用中英文OCR数据集
R
root 已提交
2 3 4
这里整理了常用中文数据集,持续更新中,欢迎各位小伙伴贡献数据集~
- [ICDAR2019-LSVT](#ICDAR2019-LSVT)
- [ICDAR2017-RCTW-17](#ICDAR2017-RCTW-17)
Y
Yipeng 已提交
5
- [中文街景文字识别](#中文街景文字识别)
R
root 已提交
6 7 8
- [中文文档文字识别](#中文文档文字识别)
- [ICDAR2019-ArT](#ICDAR2019-ArT)

9 10 11
除了开源数据,用户还可使用合成工具自行合成,可参考[数据合成工具](./data_synthesis.md)

如果需要标注自己的数据,可参考[数据标注工具](./data_annotation.md).  
R
root 已提交
12 13 14 15

<a name="ICDAR2019-LSVT"></a>
#### 1、ICDAR2019-LSVT
- **数据来源**:https://ai.baidu.com/broad/introduction?dataset=lsvt
M
MissPenguin 已提交
16
- **数据简介**: 共45w中文街景图像,包含5w(2w测试+3w训练)全标注数据(文本坐标+文本内容),40w弱标注数据(仅文本内容),如下图所示:  
M
MissPenguin 已提交
17 18 19 20
    ![](../datasets/LSVT_1.jpg)  
    (a) 全标注数据  
    ![](../datasets/LSVT_2.jpg)  
    (b) 弱标注数据  
R
root 已提交
21
- **下载地址**:https://ai.baidu.com/broad/download?dataset=lsvt
M
MissPenguin 已提交
22
- **说明**:其中,test数据集的label目前没有开源,如要评估结果,可以去官网提交:https://rrc.cvc.uab.es/?ch=16
R
root 已提交
23 24 25 26 27

<a name="ICDAR2017-RCTW-17"></a>
#### 2、ICDAR2017-RCTW-17
- **数据来源**:https://rctw.vlrlab.net/
- **数据简介**:共包含12,000+图像,大部分图片是通过手机摄像头在野外采集的。有些是截图。这些图片展示了各种各样的场景,包括街景、海报、菜单、室内场景和手机应用程序的截图。
28
    ![](../datasets/rctw.jpg)
R
root 已提交
29 30 31
- **下载地址**:https://rctw.vlrlab.net/dataset/

<a name="中文街景文字识别"></a>
Y
Yipeng 已提交
32
#### 3、中文街景文字识别 
R
root 已提交
33
- **数据来源**:https://aistudio.baidu.com/aistudio/competition/detail/8
M
MissPenguin 已提交
34
- **数据简介**:ICDAR2019-LSVT行识别任务,共包括29万张图片,其中21万张图片作为训练集(带标注),8万张作为测试集(无标注)。数据集采自中国街景,并由街景图片中的文字行区域(例如店铺标牌、地标等等)截取出来而形成。所有图像都经过一些预处理,将文字区域利用仿射变化,等比映射为一张高为48像素的图片,如图所示:  
35
    ![](../datasets/ch_street_rec_1.png)  
R
root 已提交
36
    (a) 标注:魅派集成吊顶  
37
    ![](../datasets/ch_street_rec_2.png)  
R
root 已提交
38
    (b) 标注:母婴用品连锁  
R
root 已提交
39 40 41 42 43
- **下载地址**
https://aistudio.baidu.com/aistudio/datasetdetail/8429

<a name="中文文档文字识别"></a>
#### 4、中文文档文字识别
R
root 已提交
44 45
- **数据来源**:https://github.com/YCG09/chinese_ocr  
- **数据简介**
R
root 已提交
46 47 48 49
    - 共约364万张图片,按照99:1划分成训练集和验证集。
    - 数据利用中文语料库(新闻 + 文言文),通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成
    - 包含汉字、英文字母、数字和标点共5990个字符(字符集合:https://github.com/YCG09/chinese_ocr/blob/master/train/char_std_5990.txt )
    - 每个样本固定10个字符,字符随机截取自语料库中的句子
R
root 已提交
50
    - 图片分辨率统一为280x32  
51 52 53
    ![](../datasets/ch_doc1.jpg)  
    ![](../datasets/ch_doc2.jpg)  
    ![](../datasets/ch_doc3.jpg)  
R
root 已提交
54 55 56 57 58
- **下载地址**:https://pan.baidu.com/s/1QkI7kjah8SPHwOQ40rS1Pw (密码:lu7m)

<a name="ICDAR2019-ArT"></a>
#### 5、ICDAR2019-ArT
- **数据来源**:https://ai.baidu.com/broad/introduction?dataset=art
Y
Yipeng 已提交
59
- **数据简介**:共包含10,166张图像,训练集5603图,测试集4563图。由Total-Text、SCUT-CTW1500、Baidu Curved Scene Text (ICDAR2019-LSVT部分弯曲数据) 三部分组成,包含水平、多方向和弯曲等多种形状的文本。
60 61
    ![](../datasets/ArT.jpg)
- **下载地址**:https://ai.baidu.com/broad/download?dataset=art
Y
Yipeng 已提交
62

Y
Yipeng 已提交
63
## 参考文献
Y
Yipeng 已提交
64
**ICDAR 2019-LSVT Challenge**
Y
Yipeng 已提交
65
```
Y
Yipeng 已提交
66 67 68 69 70 71
@article{sun2019icdar,
  title={ICDAR 2019 Competition on Large-scale Street View Text with Partial Labeling--RRC-LSVT},
  author={Sun, Yipeng and Ni, Zihan and Chng, Chee-Kheng and Liu, Yuliang and Luo, Canjie and Ng, Chun Chet and Han, Junyu and Ding, Errui and Liu, Jingtuo and Karatzas, Dimosthenis and others},
  journal={arXiv preprint arXiv:1909.07741},
  year={2019}
}
Y
Yipeng 已提交
72
```
Y
Yipeng 已提交
73

Y
Yipeng 已提交
74
**ICDAR 2019-ArT Challenge**
Y
Yipeng 已提交
75
```
Y
Yipeng 已提交
76 77 78 79 80 81
@article{chng2019icdar2019,
  title={ICDAR2019 Robust Reading Challenge on Arbitrary-Shaped Text (RRC-ArT)},
  author={Chng, Chee-Kheng and Liu, Yuliang and Sun, Yipeng and Ng, Chun Chet and Luo, Canjie and Ni, Zihan and Fang, ChuanMing and Zhang, Shuaitao and Han, Junyu and Ding, Errui and others},
  journal={arXiv preprint arXiv:1909.07145},
  year={2019}
}
Y
Yipeng 已提交
82
```