中文图片相关数据集
##################


OCR
===


SCUT-EPT
--------

* 手写体



SCUT-HCCDoc_Dataset_Release
---------------------------

* GitHub: https://github.com/HCIILAB/SCUT-HCCDoc_Dataset_Release
* 通过网盘分享的文件：SCUT-HCCDoc_Dataset_Release_v2.zip  链接: https://pan.baidu.com/s/1EpCJlB5oTIYM-EsnRXP4rQ?pwd=mcw5 提取码: mcw5
* SCUT-HCCDoc can be roughly divided into five subsets:
* 手写体

    HCCDoc-WT: images of traditional Chinese characters;
    HCCDoc-WS: images of simplified Chinese characters without a formatted background;
    HCCDoc-WSF: images of simplified Chinese characters with the formatted background;
    HCCDoc-SN: images of student notes;
    HCCDoc-EP: images of examination papers.


.. figure:: https://img.zhaoweiguo.com/uPic/2025/05/h5BEM2.png



Chinese-Text-Recognition
------------------------

* GitHub: https://github.com/FudanVI/benchmarking-chinese-text-recognition


.. figure:: https://img.zhaoweiguo.com/uPic/2025/05/sGl5TQ.png

    The image demonstrates the four datasets used in our benchmark including Scene, Web, Document, and Handwriting datasets


* Scene Dataset
    - 从五个公开的中文场景文本数据集中采集了图像样本（通过裁剪图像中的文本行），总共获取了 636,455 个文本样本。这些样本被随机打乱后按 8:1:1 的比例划分为训练集、验证集和测试集。
    - 1.RCTW（Reading Chinese Text in the Wild）
        + 来源：自然场景图像（街景、广告牌等）
        + 原始数据量：12,263 张图像
        + 使用方式：
            + 从训练集中裁剪出 44,420 条文本行
            + 未使用其官方测试集（因为不提供标签）
    - 2.ReCTS（Recognizing Chinese Text in Street View）
        * 来源：街景图像，主要是商铺招牌和路标
        * 原始图像数：25,000 张
        * 使用方式：
            * 从训练集裁剪出 **107,657 条文本样本**
            * 仅使用训练集，未用测试集
    - 3.LSVT（Large-scale Street View Text）
        * 来源：中英文混合的街景图像数据集
        * 数据组成：
            * 50,000 张图像提供完整标注（多边形框+文本内容）
            * 400,000 张图像(一张图片仅标注一个文本实例)
        * 使用方式：
            * 只采用完整标注部分
            * 裁剪出 **243,063 条文本行图像**
    - 4.ArT（Arbitrary-Shaped Text Dataset）
        * 来源：自然场景中的多形状文本图像
        * 特点：
          * 包含弯曲文本、旋转文本等复杂布局
        * 使用方式：
          * 从训练集中裁剪出 **49,951** 条文本图像
    - 5.CTW（Chinese Text in the Wild）
        * 来源：多样化的街景图像
        * 特点：
          * 覆盖平面、凸起、低光照等复杂场景
          * 提供字符级框、文本标签，以及额外属性（如背景复杂度、字符外观等）
        * 使用方式：
          * 从训练集和测试集中裁剪出 **191,364 条文本行图像**

* Web Dataset
    * **来源**：MTWI 数据集（Multi-Type Web Images）
      * 包含来自淘宝网站的 **20,000 张中英文网页文本图像**
      * 覆盖 **17 个不同的商品类目**
      * 图像中的文本具有丰富的排版和设计风格
    * **处理方式**：
      * 从训练集中裁剪出 **140,589** 条文本图像
      * 然后手动按 **8:1:1** 的比例划分训练集、测试集和验证集


* Document Dataset
    * **来源**：Text Render 公开合成引擎（用于合成文档风格的文本图像）
        * 文本内容来源于多个真实语料库：
            * Wikipedia
            * 电影字幕
            * Amazon 评论
            * 百度百科（baike）
        * 合成时随机设定文本长度（1\~15个字符之间）
    * **数据量**：
        * 总共合成了 **500,000** 张文档风格文本图像
        * 然后手动按 **8:1:1** 的比例划分训练集、测试集和验证集

* Handwriting Dataset
    * **来源**：SCUT-HCCDoc（华南理工大学发布的中文手写文档数据集）
        * 图像通过在自然环境下用相机采集
        * 文本内容为真实中文手写体
    * **处理方式**：
        * 原始提供：
            * 训练集：93,254 条手写文本行
            * 测试集：23,389 条文本行
        * 为了更科学的验证效果，作者进一步将原始训练集手动划分为：
            * 训练集：74,603
            * 验证集：18,651
        * 测试集仍沿用原始数据：23,389