2020-06-08 12:48:13 +08:00
|
|
|
|
## 数据集
|
|
|
|
|
|
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)
|
|
|
|
|
|
- [中文街景文字识别](#中文街景文字识别)
|
|
|
|
|
|
- [中文文档文字识别](#中文文档文字识别)
|
|
|
|
|
|
- [ICDAR2019-ArT](#ICDAR2019-ArT)
|
|
|
|
|
|
|
|
|
|
|
|
除了开源数据，用户还可使用合成工具自行合成，可参考的合成工具包括[text_renderer](https://github.com/Sanster/text_renderer)、[SynthText](https://github.com/ankush-me/SynthText)、[TextRecognitionDataGenerator](https://github.com/Belval/TextRecognitionDataGenerator)等。
|
|
|
|
|
|
|
|
|
|
|
|
<a name="ICDAR2019-LSVT"></a>
|
|
|
|
|
|
#### 1、ICDAR2019-LSVT
|
|
|
|
|
|
- **数据来源**：https://ai.baidu.com/broad/introduction?dataset=lsvt
|
|
|
|
|
|
- **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：
|
|
|
|
|
|
|
|
|
|
|
|
(a) 全标注数据
|
|
|
|
|
|
|
|
|
|
|
|
(b) 弱标注数据
|
|
|
|
|
|
- **下载地址**：https://ai.baidu.com/broad/download?dataset=lsvt
|
|
|
|
|
|
|
|
|
|
|
|
<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。
|
|
|
|
|
|
|
|
|
|
|
|
- **下载地址**：https://rctw.vlrlab.net/dataset/
|
|
|
|
|
|
|
|
|
|
|
|
<a name="中文街景文字识别"></a>
|
|
|
|
|
|
#### 3、中文街景文字识别
|
|
|
|
|
|
- **数据来源**：https://aistudio.baidu.com/aistudio/competition/detail/8
|
|
|
|
|
|
- **数据简介**：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：
|
2020-06-08 13:51:48 +08:00
|
|
|
|
|
|
|
|
|
|
(a) 标注：魅派集成吊顶
|
|
|
|
|
|
|
|
|
|
|
|
(b) 标注：母婴用品连锁
|
2020-06-08 12:48:13 +08:00
|
|
|
|
- **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
|
2020-06-08 13:51:48 +08:00
|
|
|
|
- **数据来源**：https://github.com/YCG09/chinese_ocr
|
|
|
|
|
|
- **数据简介**：
|
2020-06-08 12:48:13 +08:00
|
|
|
|
- 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
|
2020-06-08 13:51:48 +08:00
|
|
|
|
- 图片分辨率统一为280x32
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2020-06-08 12:48:13 +08:00
|
|
|
|
- **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
|
|
|
|
|
|
- **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三部分组成，包含水平、多方向和弯曲等多种形状的文本。
|
|
|
|
|
|
|
|
|
|
|
|
- **下载地址**：https://ai.baidu.com/broad/download?dataset=art
|
