# OCR_DataSet **Repository Path**: burrows-liu/OCR_DataSet ## Basic Information - **Project Name**: OCR_DataSet - **Description**: 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 - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 1 - **Created**: 2023-09-25 - **Last Updated**: 2023-09-25 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # Todo - [x] 提供数据集百度云链接 - [x] 数据集转换为统一格式(检测和识别) - [x] icdar2015 - [x] MLT2019 - [x] COCO-Text_v2 - [x] ReCTS - [x] SROIE - [x] ArT - [x] LSVT - [x] Synth800k - [x] icdar2017rctw - [x] MTWI 2018 - [x] 百度中文场景文字识别 - [x] mjsynth - [x] Synthetic Chinese String Dataset(360万中文数据集) - [x] 英文识别数据大礼包 - [x] 提供读取脚本 # 下载 下载数据集之后，记得修改标注文件里对应的路径为自己的路径 [百度云](https://pan.baidu.com/s/1mRepVEvMa-U4e9ThiskVXg) 提取码：9s4x # 数据集 | 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: 2*4*n,每张图像内的文本框 charBB: 2*4*n,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](https://tianchi.aliyun.com/competition/entrance/231684/introduction) [检测: https://tianchi.aliyun.com/competition/entrance/231685/introduction](https://tianchi.aliyun.com/competition/entrance/231684/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 | - | - | | 英文识别数据大礼包(https://github.com/clovaai/deep-text-recognition-benchmark) 训练：MJSynth和SynthText 验证：IIIT, SVT, IC03, IC13, IC15, SVTP, CUTE | 链接：https://pan.baidu.com/s/1KSNLv4EY3zFWHpBYlpFCBQ 提取码：rryk | 识别 | 语言: 英文 | - | - | # 数据生成工具 https://github.com/TianzhongSong/awesome-SynthText # 数据集读取脚本 - [检测读取脚本](dataset/det.py) - [识别读取脚本](dataset/rec.py)