包含免费 OCR 基准测试集的资源 [关闭]

Posted 2023-04-17

【中文标题】包含免费 OCR 基准测试集的资源 [关闭]

【英文标题】：Resources containing OCR benchmark test-sets for free [closed]

【发布时间】：2017-05-02 02:14:52

【问题描述】：

我想对扫描的文本（通常是任何扫描，即 A4）进行 OCR 基准测试。我能够找到一些 NEOCR 数据集 here，但 NEOCR 并不是我真正想要的。

我希望能提供指向具有适当图像和引用的实际文本（包含在图像中）的免费数据库来源的链接。

我希望这个帖子对其他为数据集进行 OCR 冲浪的人也有用，因为我没有找到对此类来源的任何好的参考。

谢谢！

【问题讨论】：

UNLV datasets 怎么样？

【参考方案1】：

我有幸在多个项目中使用大学研究数据集。这些通常很有用，因为需要发布输入和预期结果以独立再现研究结果。一个例子是下面讨论的Fourth Annual Test of OCR Accuracy 的 UNLV 数据集。

另一种方法是从数据集开始并创建自己的训练集。与已转录 57,136 本书的 Project Gutenberg 合作可能也是值得的。您可以获取 html 版本（带有图像）并使用各种转换（如字体、旋转等）将其打印出来。然后您可以转换图像并扫描它们以与文本版本进行比较。请参阅下面的示例。

1) OCR 准确度 DOE 和 UNLV 年度测试

从 1992 年到 1995 年，能源部 (DOE) 和 UNLV 信息科学研究所 (ISRI) 进行了 5 年的 OCR 测试。您可以在此处找到每年的研究说明：

概述：http://www.expervision.com/testimonial-world-leading-and-champion-ocr/annual-test-of-ocr-accuracy-by-us-department-of-energy-doe-university-of-nevada-las-vegas-unlv

1.1) UNLV Tesseract OCR 测试数据发表在第四届 OCR 准确度年度测试中

使用Tesseract 进行的第四次年度测试的数据已在线发布。由于这是一项 OCR 研究，因此它可能适合您的目的。

此数据现在作为 ISRI 的 UNLV OCR 评估工具项目的一部分托管在 Google 代码上：

项目：https://code.google.com/archive/p/isri-ocr-evaluation-tools/

在 1992 年至 1996 年期间，UNLV/ISRI 年度 OCR 准确性测试中使用了数千个英语和一些西班牙语页面的图像和 Ground Truth 文本和区域文件。

UNLV/ISRI OCR 准确性年度测试中使用的 OCR 评估工具的源代码。

适用于 OCR 和文本检索的 UNLV 信息科学研究所的出版物。

您可以在此处找到有关此数据集的信息：

描述：https://github.com/tesseract-ocr/tesseract/wiki/UNLV-Testing-of-Tesseract 数据集：https://code.google.com/archive/p/isri-ocr-evaluation-tools/downloads

在数据集链接中，您会找到许多可以下载的 gzip 压缩包。在每个 tarball 中有许多目录，其中包含一组文件。每个文档有 3 个文件：

.tif二进制图片文件 .txt文本文件 .uzn 用于描述扫描图像的区域文件

注意：在发布时，我注意到这个数据集最初是由@Stef 在上面的评论中发布的。

2) 古腾堡计划

Project Gutenberg 已转录以下格式的 57,136 部免费电子书：

HTML EPUB（带图片） EPUB（无图片） Kindle（带图片） Kindle（无图片） 纯文本 UTF-8

这里是一个例子：http://www.gutenberg.org/ebooks/766

您可以通过执行以下操作来创建测试数据集：

创建测试文件：

从 HTML、ePub、Kindle 或纯文本版本开始 使用不同的字体、旋转、背景颜色、带和不带图像等进行渲染和变换。 将渲染转换为所需的格式，例如TIFF、PDF 等

测试：

通过 OCR 系统运行生成的图像 与原始纯文本版本比较

【参考方案2】：

可可数据集： https://vision.cornell.edu/se3/coco-text-2/

Char74K 数据： http://www.ee.surrey.ac.uk/CVSSP/demos/chars74k/

COCO 数据集是图像的基准数据集。使用 COCO 数据集安排世界上最艰难的比赛。可用于物体检测、图像字幕、OCR。

【讨论】：

欢迎来到 *** Manas。虽然此链接可能会回答问题，但最好在此处包含答案的基本部分并提供链接以供参考。 Answers that are little more than a link may be deleted.

COCO 数据集实际上是一个基准数据集，被谷歌、微软、TextSpotter 和 VGG（牛津实验室）等一些大巨头使用