30.000 imágenes de datos OCR de escenas naturales en idiomas minoritarios del sudeste asiático

OCR

Lenguas sudeste asiático

Escenas naturales

30.000 imágenes de datos OCR de escenas naturales en idiomas minoritarios del sudeste asiático, que incluyen 3 idiomas: jemer (Camboya), laosiano y birmano. La diversidad de captura incluye múltiples escenas naturales, múltiples ángulos de toma. Este conjunto de datos puede usarse para tareas OCR de idiomas del sudeste asiático.

Este Dataset es de pago para uso comercial, investigación y más. Los Datasets licenciados y listos para usar ayudan a impulsar proyectos de IA.

Especificaciones

Escala de datos

30.000 imágenes: jemer (Camboya) 10.000. laosiano 10.000. birmano 10.000

Entorno de captura

Lematones, tickets, carteles, advertencias, señales viales, empaques alimenticios, vallas publicitarias, paradas y letreros, etc.

Diversidad de captura

Múltiples escenas de naturaleza, múltiples ángulos de disparo

Equipos de captura

Teléfonos móviles

Ángulo

Vista inferior, vista superior， visión normal

Formato de datos

El formato de imagen es .jpg y otros formatos comunes para imágenes, y el formato del documento de anotación es .json

Contenido de etiquetado

Anotación de cuadrilátero a nivel de línea/columna, transcripción; anotación poligonal, transcripción

Precisión

Se detecta correctamente una desviación de los vértices de una caja cuadrangular o poligonal no superior a cinco píxeles; la precisión de la detección de la caja no es inferior al 95%; la precisión de la transcripción del texto no es inferior al 95%

Dataset recomendado

500.000 imágenes de datos de anotación OCR de escenas naturales, escenas de fotos de documentos y escenas electrónicas de 21 países

500.000 imágenes de datos de anotación OCR de escenas naturales, escenas de fotos de documentos y escenas electrónicas de 21 países. Los datos incluyen 21 idiomas, con una distribución de 20,000 a 25,000 imágenes por idioma. Los tipos de datos incluyen escenas naturales, escenas de fotos de documentos y escenas electrónicas. La diversidad de datos incluye múltiples tipos de datos, múltiples ángulos de captura y múltiples idiomas. En cuanto a la anotación, se utiliza anotación a nivel de fila (columna) con cuadriláteros o polígonos y transcripción de contenido a nivel de fila (columna). Los datos pueden utilizarse para tareas de reconocimiento OCR multilingüe.

Conjunto de datos OCR multilingüe datos de reconocimiento de texto en escenas conjunto de datos OCR de documentos datos OCR de pantallas electrónicas conjunto de datos OCR 21 idiomas datos de entrenamiento OCR para IA conjunto de datos de reconocimiento de texto

500.000 imágenes de datos OCR de escenas naturales y documentos en múltiples países

500.000 imágenes de datos OCR de escenas naturales y documentos multinacionales, que incluyen 20 idiomas como chino tradicional, japonés, coreano, indonesio, malayo, tailandés, vietnamita, polaco, etc. La diversidad de captura incluye múltiples escenas naturales, múltiples ángulos de toma. Este conjunto de datos puede usarse para tareas OCR de idiomas multinacionales.

Escenas naturales Documentos OCR

5.000 imágenes de datos OCR en turco de escenas naturales

5.000 imágenes de datos OCR en turco en escenas naturales incluyen múltiples escenas naturales, múltiples ángulos de toma. En cuanto a anotaciones, se anota el cuadro delimitador cuadrilátero y la transcripción de texto a nivel de línea, anotación de cuadro delimitador poligonal y transcripción. Este conjunto de datos puede usarse para tareas OCR de idioma turco.

OCR，Turco，Escenas naturales

8.604 imágenes de datos OCR de escenas naturales árabe

8.604 datos OCR de escenas naturales en árabe incluyen múltiples escenas naturales, múltiples ángulos de captura. En términos de anotación, se anotan cuadriláteros y transcripción de texto a nivel de línea, anotación y transcripción de polígonos. Este conjunto de datos se puede utilizar para tareas OCR del idioma árabe.

Datos OCR árabe conversión contenido OCR datos OCR conjunto datos OCR etiquetado OCR recolección OCR procesamiento datos OCR datos conversión OCR

104.320 imágenes datos OCR escenas naturales coreano-hindi

104.320 datos OCR de escenas naturales en coreano e hindi. Escenarios de recopilación incluyen empaques de productos, carteles, boletos de transporte, letreros informativos, menús, señales de edificios, etc. Diversidad: múltiples escenarios, ángulos de captura, condiciones de iluminación. Distribución lingüística: coreano, hindi e inglés (pequeña cantidad). En anotaciones: Anotación de caja poligonal (o cuadrilátero, rectángulo) a nivel de línea, transcripción de contenido a nivel de línea, atributos de texto (tipo de idioma); Anotación de caja poligonal (o cuadrilátero, rectángulo) a nivel de columna, transcripción de contenido a nivel de columna, atributos de texto (tipo de idioma). Este conjunto de datos OCR de escenas naturales en coreano e hindi puede usarse para tareas OCR en escenas naturales coreanas e hindúes.

Coreano Hindi Datos OCR Escena natural Datos transliteración OCR

57.645 imágenes datos OCR escenas texto vertical

57.645 datos OCR de escenas de texto verticales. Las escenas de la colección incluyen escenas de calles, placas, vallas publicitarias, carteles, decoraciones, caracteres artísticos, portadas de revistas, etc. La distribución lingüística es china e inglesa (unas pocas). En cuanto a las anotaciones, se pueden realizar anotaciones en cajas rectangulares a nivel de columna (cajas poligonales, cajas de paralelogramo) y transcripciones de contenido a nivel de columna; anotaciones en cajas rectangulares no verticales (cajas poligonales, cajas de paralelogramo) y transcripciones de contenido no verticales. Este conjunto de datos puede utilizarse para diversas tareas de OCR de escenas de texto verticales.

Datos OCR escenas texto vertical Datos imagen OCR Datos OCR Conjunto datos OCR Anotación OCR Adquisición OCR Procesamiento datos OCR Datos reescritura OCR

105.941 imágenes datos OCR 12 idiomas escenas naturales

Los 105.941 datos OCR de escenas naturales abarcan 12 idiomas, incluidos 6 idiomas asiáticos y 6 idiomas europeos, y la colección cubre una variedad de escenas naturales y una variedad de ángulos de toma. En cuanto a la anotación, se etiquetan los cuadros cuadriláteros de texto a nivel de línea y se transcribe el texto a nivel de línea. Este conjunto de datos puede utilizarse para tareas de OCR multilingüe.

Japonés Coreano Indonesio Malayo Vietnamita Tailandés Francés Alemán Italiano Portugués Ruso Español OCR escenas naturales múltiples ángulos fotográficos anotación cuadrilátero nivel línea y transcripción para textos

4.995 imágenes datos OCR vietnamita: anotación + transcripción

4.995 imágenes de datos de OCR en vietnamita anotados y transcritos incluyen 258 imágenes naturales, 2.553 de internet, 2.184 de texto. Anotación: Contenido por línea: caja delimitadora cuadrilátera por línea, transcripción por línea; Contenido vertical: caja delimitadora cuadrilátera vertical, transcripción vertical. Este conjunto de datos de OCR en vietnamita anotados y transcritos puede usarse para reconocimiento de vietnamita en múltiples escenarios, traducción fotográfica de vietnamita, etc.

Vietnamita OCR imágenes documentos imágenes internet escenas naturales múltiples ángulos diferentes condiciones luz anotación cuadrilátero delimitador transcripción nivel línea textos transcripción nivel columna textos