Nexdata/4995_Vietnamese_OCR_Images_Data_Images_with_Annotation_and_Transcription

--- license: cc-by-nc-nd-4.0 --- ## Description 4,995 Vietnamese OCR Images Data - Images with Annotation and Transcription. The data includes 258 images of natural scenes, 2,553 Internet images, 2,184 document images. For line-level content annotation, line-level quadrilateral bounding box annotation and test transcription was adpoted; for column-level content annotation, column-level quadrilateral bounding box annotation and text transcription was adpoted. The data can be used for tasks such as Vietnamese recognition in multiple scenes. For more details, please refer to the link: https://www.nexdata.ai/dataset/1059?source=Huggingface ## Data size 4,995 OCR images, including 258 images of natural scenes, 2,553 Internet images, 2,184 document images ## Collecting environment including natural scenes (plaque, packaging instructions, small advertisements, menus, posters, etc.), Internet images (magazine covers, comic covers, etc.), document images (text documents, etc.) ## Data diversity including multiple scenes, multiple angles, different light conditions ## Device cellphone ## Shooting angles looking up angle, eye-level angle ## Format the image data format is .jpg, the annotated file format is .json ## Annotation content line-level quadrilateral bounding box annotation and transcription for the texts; column-level quadrilateral bounding box annotation and transcription for the texts ## Accuracy the error bound of each vertex of quadrilateral bounding box is within 10 pixels, which is a qualified annotation, the accuracy of bounding boxes is not less than 97%; the texts transcription accuracy is not less than 97% # Licensing Information Commercial License--- 许可协议：知识共享署名-非商业性使用-禁止演绎4.0（CC BY-NC-ND 4.0） --- ## 数据集简介 本数据集包含4995张越南语光学字符识别（Optical Character Recognition，OCR）图像及对应的标注与转录结果，其中涵盖258张自然场景图像、2553张网络图像以及2184张文档图像。针对行级内容标注，本数据集采用行级四边形边界框标注及文本转录方案；针对列级内容标注，则采用列级四边形边界框标注及文本转录方案。该数据集可应用于多场景下的越南语文字识别等任务。 如需了解更多详情，请访问链接：https://www.nexdata.ai/dataset/1059?source=Huggingface ## 数据集规模 总计4995张OCR图像，包含258张自然场景图像、2553张网络图像及2184张文档图像。 ## 采集环境 涵盖自然场景图像（如标牌、包装说明、小广告、菜单、海报等）、网络图像（如杂志封面、漫画封面等）以及文档图像（如文本文档等）。 ## 数据多样性 包含多种拍摄场景、拍摄角度及光照条件。 ## 采集设备 智能手机 ## 拍摄角度 仰拍视角、平视视角 ## 数据格式 图像数据格式为.jpg，标注文件格式为.json ## 标注内容 针对文本提供行级四边形边界框标注及转录结果；针对文本同时提供列级四边形边界框标注及转录结果。 ## 标注精度 四边形边界框每个顶点的误差范围不超过10像素，即为合格标注；边界框标注精度不低于97%，文本转录精度同样不低于97%。 # 许可信息 商业许可

原始信息汇总

数据集概述

数据集描述

• 名称: 4,995 Vietnamese OCR Images Data
• 内容: 包含4,995张图像，分为三类：258张自然场景图像、2,553张互联网图像、2,184张文档图像。
• 用途: 适用于越南语在多种场景下的识别任务。
• 注释方式:
  • 行级内容: 采用行级四边形边界框注释和文本转录。
  • 列级内容: 采用列级四边形边界框注释和文本转录。

数据规模

• 总数: 4,995张OCR图像
• 分类:
  • 自然场景图像: 258张
  • 互联网图像: 2,553张
  • 文档图像: 2,184张

收集环境

• 自然场景: 包括牌匾、包装说明、小型广告、菜单、海报等。
• 互联网图像: 包括杂志封面、漫画封面等。
• 文档图像: 包括文本文档等。

数据多样性

• 场景: 包括多种场景。
• 角度: 包括多个角度。
• 光照条件: 包括不同的光照条件。

设备

• 拍摄设备: 手机

拍摄角度

• 角度类型: 仰视角度、平视角度

格式

• 图像格式: .jpg
• 注释文件格式: .json

注释内容

• 行级注释: 四边形边界框和文本转录。
• 列级注释: 四边形边界框和文本转录。

准确性

• 边界框: 每个顶点的误差范围在10像素内，边界框准确率不低于97%。
• 文本转录: 准确率不低于97%。

许可证信息

• 许可证: 商业许可证

搜集汇总

数据集介绍

构建方式

在光学字符识别（OCR）领域，高质量的多场景数据集是推动越南语文本识别技术发展的关键。该数据集精心构建了4,995幅图像，涵盖自然场景（如标牌、包装说明、小广告、菜单、海报等）258幅、互联网图像（如杂志封面、漫画封面等）2,553幅以及文档图像（如文本文档等）2,184幅。数据采集采用手机设备，拍摄角度涵盖仰视和平视，并充分考虑了多场景、多角度及不同光照条件的多样性。标注过程采用行级和列级两种策略：行级内容以四边形边界框标注并附有文本转录，列级内容同样以四边形边界框标注并转录。每张图像以.jpg格式存储，标注文件采用.json格式，确保了数据结构的标准化与易用性。

特点

该数据集的核心特点在于其卓越的标注精度与广泛的应用场景适配性。四边形边界框的每个顶点误差控制在10像素以内，边界框准确率不低于97%，文本转录准确率同样不低于97%，为模型训练提供了高度可靠的标注基础。数据来源的多元化——自然场景、互联网图像与文档图像的有机融合——使得数据集能够覆盖越南语在现实世界中的多种呈现形式，从而显著提升OCR模型在复杂环境下的泛化能力。此外，行级与列级双重标注的设计，为文本检测与识别任务提供了灵活的支持，尤其适用于需要精细结构化输出的应用场景。

使用方法

该数据集专为越南语多场景文本识别任务而设计，可直接用于训练和评估OCR模型。使用时，用户需加载.jpg格式的图像数据及对应的.json标注文件，其中标注信息包括行级和列级的四边形边界框坐标及对应文本转录。建议将数据集划分为训练集、验证集和测试集，以进行模型性能的全面评估。对于需要大规模数据的应用，可访问Nexdata官方链接获取完整付费版本。数据遵循cc-by-nc-nd-4.0许可协议，仅限非商业用途，使用时需严格遵循协议条款，确保数据使用的合规性。

背景与挑战

背景概述

在光学字符识别（OCR）领域，越南语因其独特的声调符号和字母组合，对文本检测与识别技术提出了特殊挑战。Nexdata/4995_Vietnamese_OCR_Images_Data数据集由Nexdata团队于近年创建，旨在为多场景下的越南语识别提供高质量标注资源。该数据集包含4,995张图像，覆盖自然场景（如招牌、菜单、小广告）、互联网图像（如杂志封面）及文档图像，采用四边形边界框标注与文本转录，支持行级与列级内容分析。其构建源于对越南语OCR训练数据稀缺性的关注，通过多角度、多光照条件下的手机拍摄，丰富了数据多样性。该数据集为越南语OCR研究提供了基准，尤其推动了复杂场景下文本检测与识别算法的适应性发展。

当前挑战

当前数据集面临的核心挑战包括：1）领域问题层面，越南语OCR需应对自然场景中文本的形变、遮挡、模糊及光照不均，同时声调符号的细微差异易导致识别错误，对模型鲁棒性要求极高；2）构建过程中，四边形边界框标注需确保顶点误差在10像素内，且边界框与转录准确率均不低于97%，这对人工标注的精细度与一致性构成考验；此外，数据来源多样性（自然场景、互联网、文档）虽提升泛化能力，但不同场景的文本密度、字体风格差异加剧了标注复杂度，需平衡标注效率与质量。

常用场景

经典使用场景

在光学字符识别（OCR）领域，Nexdata/4995_Vietnamese_OCR_Images_Data_Images_with_Annotation_and_Transcription 数据集凭借其多场景、多角度与多光照条件的丰富样本，成为训练和评估越南语文本检测与识别模型的经典基准。数据涵盖自然场景、互联网图像和文档图像，并提供了行级与列级的四边形边界框标注及对应文本转录，使得研究者能够针对复杂背景下的越南语文字进行端到端的识别任务，尤其适用于街景招牌、包装说明、菜单等真实场景中的文字提取。

衍生相关工作

该数据集衍生出多项经典工作，包括基于多尺度特征融合的越南语文本检测网络（如改进版EAST和PSENet）、端到端的注意力机制识别模型（如VietOCR）以及结合数据增强的跨场景泛化研究。此外，它还被用作评估基准，对比不同骨干网络（如ResNet、Transformer）在越南语OCR任务上的表现，催生了面向低资源语言的半监督学习与自训练策略，进一步拓展了OCR在东南亚小语种中的应用边界。

数据集最近研究

最新研究方向

在越南语光学字符识别（OCR）领域，多场景异构图像的文字提取与解析成为前沿研究焦点。Nexdata推出的4995张越南语OCR图像数据集，融合了自然场景（如招牌、包装说明）、互联网图像（杂志封面）与文档图像等多源数据，并采用行级与列级四边形边界框标注及文本转录，标注精度与转录准确率均不低于97%。该数据集紧密关联多语言OCR技术在东南亚数字人文、自动化文档处理及智能广告识别等热点应用中的需求，为提升越南语在复杂光照、多角度拍摄条件下的识别鲁棒性提供了高质量训练基准，对推动低资源语言视觉理解技术的发展具有重要实践意义。