SEACrowd/vintext

Vintext是一个具有挑战性的越南语场景文本数据集，其中一些字符由于重音符号在视觉形式上具有模糊性。该数据集包含2000张完全注释的图像，共有56,084个文本实例。每个文本实例都由一个四边形边界框界定，并与真实字符序列相关联。数据集被随机分为训练集（1,200张图像）、验证集（300张图像）和测试集（500张图像）。

Vintext is a challenging scene text dataset for Vietnamese, where some characters are equivocal in the visual form due to accent symbols. This dataset contains 2000 fully annotated images with 56,084 text instances. Each text instance is delineated by a quadrilateral bounding box and associated with the ground truth sequence of characters. The dataset is randomly split into three subsets for training (1,200 images), validation (300 images), and testing (500 images).

原始信息汇总

Vintext 数据集概述

基本信息

• 名称: Vintext
• 语言: 越南语 (vie)
• 任务类别: 光学字符识别 (Optical Character Recognition)
• 标签: 光学字符识别
• 许可证: GNU Affero General Public License v3.0 (agpl-3.0)
• 版本:
  • 源版本: 1.0.0
  • SEACrowd 版本: 2024.06.20

数据集描述

• 内容: 包含2000张完全标注的图像，共有56,084个文本实例。每个文本实例由一个四边形边界框界定，并关联其对应的字符序列。
• 分割: 数据集被随机分为三个子集：
  • 训练集: 1,200张图像
  • 验证集: 300张图像
  • 测试集: 500张图像

使用方法

使用 datasets 库

python from datasets import load_dataset dset = datasets.load_dataset("SEACrowd/vintext", trust_remote_code=True)

使用 seacrowd 库

python import seacrowd as sc

使用默认配置加载数据集

dset = sc.load_dataset("vintext", schema="seacrowd")

查看数据集的所有可用子集（配置名称）

print(sc.available_config_names("vintext"))

使用特定配置加载数据集

dset = sc.load_dataset_by_config_name(config_name="<config_name>")

引用

plaintext @INPROCEEDINGS{vintext, author={Nguyen, Nguyen and Nguyen, Thu and Tran, Vinh and Tran, Minh-Triet and Ngo, Thanh Duc and Huu Nguyen, Thien and Hoai, Minh}, booktitle={2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, title={Dictionary-guided Scene Text Recognition}, year={2021}, pages={7379-7388}, keywords={Training;Visualization;Computer vision;Casting;Dictionaries;Codes;Text recognition}, doi={10.1109/CVPR46437.2021.00730} }

@article{lovenia2024seacrowd, title={SEACrowd: A Multilingual Multimodal Data Hub and Benchmark Suite for Southeast Asian Languages}, author={Holy Lovenia and Rahmad Mahendra and Salsabil Maulana Akbar and Lester James V. Miranda and Jennifer Santoso and Elyanah Aco and Akhdan Fadhilah and Jonibek Mansurov and Joseph Marvin Imperial and Onno P. Kampman and Joel Ruben Antony Moniz and Muhammad Ravi Shulthan Habibi and Frederikus Hudi and Railey Montalan and Ryan Ignatius and Joanito Agili Lopo and William Nixon and Börje F. Karlsson and James Jaya and Ryandito Diandaru and Yuze Gao and Patrick Amadeus and Bin Wang and Jan Christian Blaise Cruz and Chenxi Whitehouse and Ivan Halim Parmonangan and Maria Khelli and Wenyu Zhang and Lucky Susanto and Reynard Adha Ryanda and Sonny Lazuardi Hermawan and Dan John Velasco and Muhammad Dehan Al Kautsar and Willy Fitra Hendria and Yasmin Moslem and Noah Flynn and Muhammad Farid Adilazuarda and Haochen Li and Johanes Lee and R. Damanhuri and Shuo Sun and Muhammad Reza Qorib and Amirbek Djanibekov and Wei Qi Leong and Quyet V. Do and Niklas Muennighoff and Tanrada Pansuwan and Ilham Firdausi Putra and Yan Xu and Ngee Chia Tai and Ayu Purwarianti and Sebastian Ruder and William Tjhi and Peerat Limkonchotiwat and Alham Fikri Aji and Sedrick Keh and Genta Indra Winata and Ruochen Zhang and Fajri Koto and Zheng-Xin Yong and Samuel Cahyawijaya}, year={2024}, eprint={2406.10118}, journal={arXiv preprint arXiv: 2406.10118} }

搜集汇总

数据集介绍

构建方式

Vintext数据集专为越南语场景文本识别而构建，其核心挑战在于越南语中因声调符号导致的视觉歧义字符。该数据集包含2000张完全标注的图像，共计56,084个文本实例。每个文本实例均通过四边形边界框精确勾勒，并关联对应的真实字符序列。数据集被随机划分为训练集（1200张图像）、验证集（300张图像）和测试集（500张图像），以确保模型评估的稳健性。

使用方法

Vintext数据集可通过HuggingFace的`datasets`库便捷加载，使用`load_dataset('SEACrowd/vintext', trust_remote_code=True)`即可获取。用户亦可借助`seacrowd`库进行加载，支持通过`sc.load_dataset('vintext', schema='seacrowd')`或指定具体配置名（如`sc.load_dataset_by_config_name(config_name='<config_name>')`）灵活调用。更多细节可参考SEACrowd官方文档。

背景与挑战

背景概述

Vintext数据集由越南人工智能研究团队（VinAI Research）于2021年在CVPR会议上提出，旨在解决越南语场景文本识别中的独特挑战。越南语基于拉丁字母，但附加了大量变音符号，导致某些字符在视觉形态上具有高度歧义性，例如‘á’与‘à’仅靠符号方向区分，传统OCR系统难以准确辨识。该数据集包含2000张精心标注的图像，涵盖56084个文本实例，每个实例均以四边形边界框精细勾勒，并附有字符级真实序列。作为SEACrowd数据枢纽的一部分，Vintext为东南亚语言的多模态研究提供了关键基准，推动了字典引导的场景文本识别方法的发展，其影响力辐射至计算机视觉与自然语言处理的交叉领域。

当前挑战

Vintext所解决的领域核心挑战是越南语场景文本的视觉歧义性，变音符号的细微差异极易导致误识别，例如‘má’（母亲）与‘mà’（但是）的混淆，这要求模型具备对局部纹理的精细感知能力。在构建过程中，团队面临多重困难：首先，越南语文本在自然场景中分布稀疏，需从街景、广告牌等复杂背景中采集多样图像；其次，标注工作量庞大，需为每个字符精确定位四边形边界框，并确保变音符号的准确转录；此外，数据集需平衡训练（1200张）、验证（300张）与测试（500张）子集，以保障评估的公平性与鲁棒性。这些挑战共同促使Vintext成为评估越南语OCR系统性能的权威基准。

常用场景

经典使用场景

Vintext数据集专为越南语场景文本识别而设计，其核心经典用途在于评估和提升光学字符识别（OCR）系统在复杂视觉环境下的性能。该数据集包含2000张自然场景图像，涵盖56084个文本实例，每个实例均以四边形边界框精确定位并附有字符级真实标注。由于越南语中部分字符因音调符号而在视觉上具有歧义性，Vintext为研究者在真实世界多变性中训练和验证鲁棒的文本识别模型提供了不可或缺的基准。

解决学术问题

该数据集有效解决了越南语场景文本识别中因音调符号导致的字符视觉混淆这一核心学术难题。传统OCR方法在处理此类歧义字符时往往表现不佳，而Vintext通过提供高质量、多样化的标注数据，推动了基于深度学习的上下文感知与字典引导识别算法的发展。其意义在于填补了低资源语言在场景文本理解领域的空白，为多语言OCR系统的公平性与普适性研究奠定了数据基础，显著提升了学界对复杂文字系统的建模能力。

实际应用

在实际应用中，Vintext驱动的OCR技术可广泛部署于越南的自动化文档处理、街景信息提取、车牌识别及零售商品标签读取等场景。例如，在旅游导航中，系统能准确识别带有音调符号的路牌和店铺名称；在物流领域，可高效解析包裹上的越南语地址。这些应用不仅提升了本地化服务的智能化水平，也促进了东南亚地区数字基础设施的完善，助力跨语言信息无障碍流通。

数据集最近研究

最新研究方向

在自然场景文本识别领域，越南语因其复杂的变音符号系统而成为一项独特挑战。Vintext数据集聚焦于视觉上易混淆的越南语字符，为多语言场景文本理解提供了前沿研究平台。当前，该数据集被广泛应用于字典引导的场景文本识别方法，尤其是结合注意力机制与词典约束的端到端模型，以提升对模糊字符的鲁棒识别。相关热点事件包括SEACrowd数据枢纽的建立，将Vintext纳入东南亚多模态基准套件，推动了低资源语言OCR技术的标准化评估。这一研究方向不仅强化了越南语在计算机视觉中的代表性，也为其他复杂书写系统的文本识别研究奠定了基础，具有重要的学术与应用价值。