Datasets para OCR

3.506 Imagens - Dados de Anotação e Transcrição de OCR em Híndi contêm 2.056 de cenários naturais, 1.103 imagens textuais de internet e 347 imagens de texto. Na anotação, este conjunto de dados está anotado por caixas delimitadores quadriláteras a nível de linha, transcrição de conteúdo a nível de linha, caixas delimitadores quadriláteras a nível de coluna vertical e transcrição de conteúdo a nível de coluna vertical. Este conjunto aplica-se a tarefas como reconhecimento de Hindi em múltiplos cenários e tradução por captura de imagem em Hindi.

71.535 Imagens - Dados de OCR de Cenários Naturais em Inglês, foram recolhidos in loco no Reino Unido e Estados Unidos. A diversidade dos dados inclui múltiplos cenários, ângulos de captura e condições de iluminação. Anotados com caixas retangulares (ou poligonais) ao nível de linha, palavra e carácter, e com transcrição do conteúdo textual, este conjunto de dados pode ser utilizado para tarefas de OCR de cenários naturais.

30,000 imagens OCR de idiomas menores do Sudeste Asiático (cambodja, lao, birmanês), em ambientes naturais e ângulos variados. Indicadas para OCR de idiomas minoritários.

2,504 imagens de dados OCR de escrita manual em chinês. Os ambientes de escrita incluem papel A4, papel quadriculado, papel pautado, quadro branco, notas coloridas e folhas de resposta. O conteúdo escrito abrange poesias, prosas, avisos de atividades em lojas, mensagens de felicitação, listas de desejos, trechos copiados, redações e anotações. A diversidade dos dados inclui vários tipos de papel, estilos de escrita, conteúdos e ângulos de coleta. Os ângulos são na altura dos olhos e de baixo para cima. As anotações incluem caixas quadriláteras em nível de linha/coluna e transcrição do texto correspondente. Este conjunto é útil para tarefas de OCR de escrita manual em chinês.

5,000 imagens OCR em turco, com texto de cenas naturais e múltiplos ângulos. As anotações fazem marcação de linhas em polígonos e transcrição. Indicadas para OCR de idiomas naturais.

14.511 imagens de OCR de escrita manual em inglês. Os textos foram escritos em folhas A4, papel pautado e outros suportes. A captação foi feita com telemóveis, em perspetiva frontal. Os conteúdos abrangem redações, poemas, ensaios, notícias, histórias, entre outros. As anotações incluem caixas quadriláteras por linha e transcrição da linha. Este conjunto pode ser usado para tarefas de OCR de escrita manual em inglês.

5,147 imagens de OCR de escrita manual em japonês. Os suportes dos textos incluem papel A4, papel pautado e papel quadriculado. As imagens foram capturadas com celulares, em ângulo de visão frontal. Os conteúdos abrangem redações em japonês, poesias, ensaios, notícias e histórias. As anotações incluem quadros retangulares por linha de texto e transcrição linha por linha. Este conjunto pode ser usado para tarefas de OCR de escrita manual em japonês.

Dados de OCR manuscrito em italiano de 1,000 pessoas. Escritos por europeus habituados a usar o italiano. Capturados com scanner em ângulo frontal. Os textos incluem endereços, nomes de empresas e nomes próprios. Apropriado para OCR manuscrito em italiano.

Dados OCR de escrita manual em alemão com 1.000 participantes. Os textos foram redigidos por europeus habituados a escrever em alemão. A recolha foi feita com scanner em perspetiva frontal. Os conteúdos incluem moradas, nomes de empresas e nomes próprios. O conjunto pode ser utilizado para tarefas de OCR de escrita manual em alemão.