实用OCR数据集，近期梳理了OCR的数据集，参见如下，供大家参考使用。
- ICDAR2019-LSVT
共45w中文街景图像，包含5w（2w测试+3w训练）全标注数据（文本坐标+文本内容），40w弱标注数据（仅文本内容）.
下载地址：https://ai.baidu.com/broad/download%3Fdataset%3Dlsvt
- ICDAR2017-RCTW-17
共包含12,000+图像，大部分图片是通过手机摄像头在野外采集的。有些是截图。这些图片展示了各种各样的场景，包括街景、海报、菜单、室内场景和手机应用程序的截图。
下载地址：https://rctw.vlrlab.net/dataset/
- 中文街景文字识别
共包括29万张图片，其中21万张图片作为训练集（带标注），8万张作为测试集（无标注）。数据集采自中国街景，并由街景图片中的文字行区域（例如店铺标牌、地标等等）截取出来而形成。所有图像都经过一些预处理，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。
下载地址：https://aistudio.baidu.com/aistudio/datasetdetail/8429
- 中文文档文字识别
共约364万张图片，按照99:1划分成训练集和验证集。数据利用中文语料库（新闻 + 文言文），通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成。包含汉字、英文字母、数字和标点共5990个字符（字符集合：https://github.com/YCG09/chinese_ocr/blob/master/train/char_std_5990.txt ） 每个样本固定10个字符，字符随机截取自语料库中的句子；图片分辨率统一为280x32
下载地址：https://github.com/YCG09/chinese_ocr
https://pan.baidu.com/s/1QkI7kjah8SPHwOQ40rS1Pw（密码：lu7m）
- ICDAR2019-ArT
共包含10,166张图像，训练集5603图，测试集4563图。由Total-Text、SCUT-CTW1500、Baidu Curved Scene Text三部分组成，包含水平、多方向和弯曲等多种形状的文本。
下载地址;https://ai.baidu.com/broad/download%3Fdataset%3Dart
- 360万imdb格式的中文数据集
360万中文数据集：https://pan.baidu.com/s/1ufYbnZAZ1q0AlK7yZ08cvQ 训练之前首先制作数据集，因为360万的中文数据集制作成lmdb格式的数据有十几G。
- Chinese Text in the Wild(CTW)
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)。参考：https://github.com/xiaofengShi/CHINESE-OCR
