训练用数据集汇总

[TOC]

随时会更新的百度网盘

链接:https://pan.baidu.com/s/1Ed1xrviL3xsuXahVqnqycg 密码:ob01

公开数据集汇总，随意下。

常见数据

Chinese Text in the Wild(CTW)

https://share.weiyun.com/50hF1Cc

该数据集包含32285张图像，1018402个中文字符(来自于腾讯街景), 包含平面文本，凸起文本，城市文本，农村文本，低亮度文本，远处文本，部分遮挡文本。图像大小2048*2048，数据集大小为31GB。以(8:1:1)的比例将数据集分为训练集(25887张图像，812872个汉字)，测试集(3269张图像，103519个汉字)，验证集(3129张图像，103519个汉字)。

Reading Chinese Text in the Wild(RCTW-17)

https://rctw.vlrlab.net/dataset/

有12000张图片，包括用手机拍的街景、海报、菜单、室内场景以及手机截图等。

ICPR MWI 2018 挑战赛

https://tianchi.aliyun.com/competition/entrance/231686/information

大赛提供20000张图像作为数据集，其中50%作为训练集，50%作为测试集。主要由合成图像，产品描述，网络广告构成。该数据集数据量充分，中英文混合，涵盖数十种字体，字体大小不一，多种版式，背景复杂。文件大小为3.2GB。

SVHN

http://ufldl.stanford.edu/housenumbers/

训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。

中文场景文字识别技术创新大赛

https://aistudio.baidu.com/aistudio/competition/detail/8

共29万张图片，其中21万张图片为训练集，8万张为测试集。所有图像经过一些预处理，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。

Total-Text

http://www.cs-chan.com/source/ICDAR2017/totaltext.zip

该数据集共1555张图像，11459文本行，包含水平文本，倾斜文本，弯曲文本。文件大小441MB。大部分为英文文本，少量中文文本。训练集：1255张测试集：300

Google FSNS(谷歌街景文本数据集)

http://rrc.cvc.uab.es/?ch=6&com=downloads

该数据集是从谷歌法国街景图片上获得的一百多万张街道名字标志，每一张包含同一街道标志牌的不同视角，图像大小为600*150，训练集1044868张，验证集16150张，测试集20404张。

COCO-TEXT

https://vision.cornell.edu/se3/coco-text-2/

该数据集，包括63686幅图像，173589个文本实例，包括手写版和打印版，清晰版和非清晰版。文件大小12.58GB，训练集：43686张，测试集：10000张，验证集：10000张

Synthetic Data for Text Localisation

http://www.robots.ox.ac.uk/~vgg/data/scenetext/

在复杂背景下人工合成的自然场景文本数据。包含858750张图像，共7266866个单词实例，28971487个字符，文件大小为41GB。该合成算法，不需要人工标注就可知道文字的label信息和位置信息，可得到大量自然场景文本标注数据。

Synthetic Word Dataset

http://www.robots.ox.ac.uk/~vgg/data/text/

合成文本识别数据集，包含9百万张图像，涵盖了9万个英语单词。文件大小为10GB

IIIT 5K-Words 2012

http://cvit.iiit.ac.in/projects/SceneTextUnderstanding/IIIT5K.html

两千张训练，三千张验证，大小写不区分的crop好的图像

KAIST Scene_Text Database 2010

http://www.iapr-tc11.org/mediawiki/index.php/KAIST_Scene_Text_Database

3000张室内和室外场景文本，包括韩语、英语、数字。

ICDAR大礼包

https://rrc.cvc.uab.es/

其他语系数据

阿语和英语混合的PPT中的文本

https://gitlab.com/rex-yue-wu/ISI-PPT-Dataset

有10692张图片，大约超过10W行文本。

数据合成相关

常用中文的词组：https://github.com/qingyujean/chinese_words_lib

快递单数据：https://aistudio.baidu.com/aistudio/datasetdetail/16246