實用OCR數據集，近期梳理了OCR的數據集，參見如下，供大家參考使用。
- ICDAR2019-LSVT
共45w中文街景圖像，包含5w（2w測試+3w訓練）全標註數據（文本座標+文本內容），40w弱標註數據（僅文本內容）.
下載地址：https://ai.baidu.com/broad/download%3Fdataset%3Dlsvt
- ICDAR2017-RCTW-17
共包含12,000+圖像，大部分圖片是通過手機攝像頭在野外採集的。有些是截圖。這些圖片展示了各種各樣的場景，包括街景、海報、菜單、室內場景和手機應用程序的截圖。
下載地址：https://rctw.vlrlab.net/dataset/
- 中文街景文字識別
共包括29萬張圖片，其中21萬張圖片作為訓練集（帶標註），8萬張作為測試集（無標註）。數據集採自中國街景，並由街景圖片中的文字行區域（例如店鋪標牌、地標等等）截取出來而形成。所有圖像都經過一些預處理，將文字區域利用仿射變化，等比映射為一張高為48像素的圖片。
下載地址：https://aistudio.baidu.com/aistudio/datasetdetail/8429
- 中文文檔文字識別
共約364萬張圖片，按照99:1劃分成訓練集和驗證集。數據利用中文語料庫（新聞 + 文言文），通過字體、大小、灰度、模糊、透視、拉伸等變化隨機生成。包含漢字、英文字母、數字和標點共5990個字符（字符集合：https://github.com/YCG09/chinese_ocr/blob/master/train/char_std_5990.txt ） 每個樣本固定10個字符，字符隨機截取自語料庫中的句子；圖片分辨率統一為280x32
下載地址：https://github.com/YCG09/chinese_ocr
https://pan.baidu.com/s/1QkI7kjah8SPHwOQ40rS1Pw（密碼：lu7m）
- ICDAR2019-ArT
共包含10,166張圖像，訓練集5603圖，測試集4563圖。由Total-Text、SCUT-CTW1500、Baidu Curved Scene Text三部分組成，包含水平、多方向和彎曲等多種形狀的文本。
下載地址;https://ai.baidu.com/broad/download%3Fdataset%3Dart
- 360萬imdb格式的中文數據集
360萬中文數據集：https://pan.baidu.com/s/1ufYbnZAZ1q0AlK7yZ08cvQ 訓練之前首先製作數據集，因為360萬的中文數據集製作成lmdb格式的數據有十幾G。
- Chinese Text in the Wild(CTW)
包含32285張圖像，1018402箇中文字符(來自於騰訊街景), 包含平面文本，凸起文本，城市文本，農村文本，低亮度文本，遠處文本，部分遮擋文本。圖像大小2048*2048，數據集大小為31GB。以(8:1:1)的比例將數據集分為訓練集(25887張圖像，812872個漢字)，測試集(3269張圖像，103519個漢字)，驗證集(3129張圖像，103519個漢字)。參考：https://github.com/xiaofengShi/CHINESE-OCR
