diff --git a/doc/datasets/captcha_demo.png b/doc/datasets/captcha_demo.png new file mode 100644 index 00000000..047a7264 Binary files /dev/null and b/doc/datasets/captcha_demo.png differ diff --git a/doc/datasets/ccpd_demo.png b/doc/datasets/ccpd_demo.png new file mode 100644 index 00000000..a750d054 Binary files /dev/null and b/doc/datasets/ccpd_demo.png differ diff --git a/doc/datasets/cmb_demo.jpg b/doc/datasets/cmb_demo.jpg new file mode 100644 index 00000000..8299149a Binary files /dev/null and b/doc/datasets/cmb_demo.jpg differ diff --git a/doc/datasets/nist_demo.png b/doc/datasets/nist_demo.png new file mode 100644 index 00000000..4c2ce11e Binary files /dev/null and b/doc/datasets/nist_demo.png differ diff --git a/doc/doc_ch/handwritten_datasets.md b/doc/doc_ch/handwritten_datasets.md index 21f68acc..20392b28 100644 --- a/doc/doc_ch/handwritten_datasets.md +++ b/doc/doc_ch/handwritten_datasets.md @@ -1,13 +1,29 @@ -## 手写中文OCR数据集 -这里整理了常用手写中文数据集，持续更新中，欢迎各位小伙伴贡献数据集～ +# 手写OCR数据集 +这里整理了常用手写数据集，持续更新中，欢迎各位小伙伴贡献数据集～ - [中科院自动化研究所-手写中文数据集](#中科院自动化研究所-手写中文数据集) +- [NIST手写单字数据集-英文](#NIST手写单字数据集-英文) -#### 1、中科院自动化研究所-手写中文数据集 +## 中科院自动化研究所-手写中文数据集 - **数据来源**：http://www.nlpr.ia.ac.cn/databases/handwriting/Download.html -- **数据简介**：包含在线和离线两类手写单字数据，包含GB2312-80中的3755个一级汉字，共由720人手写完成。在线部分(HWDB)总共包含约210万个训练样本，53万个测试样本；离线部分(OLHWDB)总共包含约210万个训练样本，53万个测试样本。 - ![](../datasets/CASIA_0.jpg) - (a) 五张单字图片样例 +- **数据简介**： + * 包含在线和离线两类手写数据，`HWDB1.0~1.2`总共有3895135个手写单字样本，分属7356类（7185个汉字和171个英文字母、数字、符号）；`HWDB2.0~2.2`总共有5091页图像，分割为52230个文本行和1349414个文字。所有文字和文本样本均存为灰度图像。部分单字样本图片如下所示。 + + ![](../datasets/CASIA_0.jpg) + (a) 五张单字图片样例 + - **下载地址**：http://www.nlpr.ia.ac.cn/databases/handwriting/Download.html - **使用建议**：数据为单字，白色背景，可以大量合成文字行进行训练。白色背景可以处理成透明状态，方便添加各种背景。对于需要语义的情况，建议从真实语料出发，抽取单字组成文字行 + + +## NIST手写单字数据集-英文(NIST Handprinted Forms and Characters Database) + +- **数据来源**: [https://www.nist.gov/srd/nist-special-database-19](https://www.nist.gov/srd/nist-special-database-19) + +- **数据简介**: NIST19数据集适用于手写文档和字符识别的模型训练，从3600位作者的手写样本表格中提取得到，总共包含81万张字符图片。其中9张图片示例如下。 + + ![](../datasets/nist_demo.png) + + +- **下载地址**: [https://www.nist.gov/srd/nist-special-database-19](https://www.nist.gov/srd/nist-special-database-19) diff --git a/doc/doc_ch/vertical_and_multilingual_datasets.md b/doc/doc_ch/vertical_and_multilingual_datasets.md new file mode 100644 index 00000000..a2e70a77 --- /dev/null +++ b/doc/doc_ch/vertical_and_multilingual_datasets.md @@ -0,0 +1,79 @@ +# 垂类多语言OCR数据集 +这里整理了常用垂类和多语言OCR数据集，持续更新中，欢迎各位小伙伴贡献数据集～ +- [中国城市车牌数据集](#中国城市车牌数据集) +- [银行信用卡数据集](#银行信用卡数据集) +- [验证码数据集-Captcha](#验证码数据集-Captcha) +- [多语言数据集](#多语言数据集) + + + +## 中国城市车牌数据集 + +- **数据来源**：[https://github.com/detectRecog/CCPD](https://github.com/detectRecog/CCPD) + +- **数据简介**: 包含超过25万张中国城市车牌图片及车牌检测、识别信息的标注。包含以下几种不同场景中的车牌图片信息。 + * CCPD-Base: 通用车牌图片 + * CCPD-DB: 车牌区域亮度较亮、较暗或者不均匀 + * CCPD-FN: 车牌离摄像头拍摄位置相对更远或者更近 + * CCPD-Rotate: 车牌包含旋转（水平20~50度，竖直-10~10度） + * CCPD-Tilt: 车牌包含旋转（水平15~45度，竖直15~45度） + * CCPD-Blur: 车牌包含由于摄像机镜头抖动导致的模糊情况 + * CCPD-Weather: 车牌在雨天、雪天或者雾天拍摄得到 + * CCPD-Challenge: 至今在车牌检测识别任务中最有挑战性的一些图片 + * CCPD-NP: 没有安装车牌的新车图片。 + + ![](../datasets/ccpd_demo.png) + + +- **下载地址** + * 百度云下载地址(提取码是hm0U): [https://pan.baidu.com/s/1i5AOjAbtkwb17Zy-NQGqkw](https://pan.baidu.com/s/1i5AOjAbtkwb17Zy-NQGqkw) + * Google drive下载地址：[https://drive.google.com/file/d/1rdEsCUcIUaYOVRkx5IMTRNA7PcGMmSgc/view](https://drive.google.com/file/d/1rdEsCUcIUaYOVRkx5IMTRNA7PcGMmSgc/view) + + + +## 银行信用卡数据集 + +- **数据来源**: [https://www.kesci.com/home/dataset/5954cf1372ead054a5e25870](https://www.kesci.com/home/dataset/5954cf1372ead054a5e25870) + +- **数据简介**: 训练数据共提供了三类数据 + * 1.招行样卡数据： 包括卡面图片数据及标注数据，总共618张图片 + * 2.单字符数据： 包括图片及标注数据，总共37张图片。 + * 3.仅包含其他银行卡面，不具有更细致的信息，总共50张图片。 + + * demo图片展示如下，标注信息存储在excel表格中，下面的emo图片标注为 + * 前8位卡号：62257583 + * 卡片种类：本行卡 + * 有效期结束：07/41 + * 卡用户拼音：MICHAEL + + ![](../datasets/cmb_demo.jpg) + +- **下载地址**: [https://cdn.kesci.com/cmb2017-2.zip](https://cdn.kesci.com/cmb2017-2.zip) + + + + +## 验证码数据集-Captcha + +- **数据来源**: [https://github.com/lepture/captcha](https://github.com/lepture/captcha) + +- **数据简介**: 这是一个数据合成的工具包，可以根据输入的文本，输出验证码图片，使用该工具包生成几张demo图片如下。 + + ![](../datasets/captcha_demo.png) + +- **下载地址**: 该数据集是生成得到，无下载地址。 + + + + +## 多语言数据集(Multi-lingual scene text detection and recognition) + +- **数据来源**: [https://rrc.cvc.uab.es/?ch=15&com=downloads](https://rrc.cvc.uab.es/?ch=15&com=downloads) + +- **数据简介**: 多语言检测数据集MLT同时包含了语种识别和检测任务。 + * 在检测任务中，训练集包含10000张图片，共有10种语言，每种语言包含1000张训练图片。测试集包含10000张图片。 + * 在识别任务中，训练集包含111998个样本。 + + +- **下载地址**: 训练集较大，分2部分下载，需要在网站上注册之后才能下载： +[https://rrc.cvc.uab.es/?ch=15&com=downloads](https://rrc.cvc.uab.es/?ch=15&com=downloads)