Voxel51/Total-Text-Dataset

Total-Text数据集包含1555张图像，涵盖了水平、多方向和曲线三种不同方向的文本。该数据集主要用于解决曲线文本检测问题，是第一个相对大规模的场景文本数据集，强调了文本方向的多样性。数据集通过FiftyOne工具进行安装和使用，提供了详细的安装和使用指南。数据集的创建动机是现有场景文本数据集中文本方向的多样性不足，特别是曲线方向的文本数量较少。

原始信息汇总

数据集概述

基本信息

• 名称：Total-Text-Dataset
• 样本数量：1555
• 语言：英语
• 许可证：BSD-3-Clause
• 任务类别：
  • 目标检测
  • 图像到文本
• 标签：
  • fiftyone
  • 图像
  • 目标检测
  • 文本检测

数据集描述

Total-Text-Dataset包含1555张图像，具有三种不同的文本方向：水平、多向和曲线。这是第一个相对大规模的场景文本数据集，强调文本方向的多样性。

数据集结构

• 媒体类型：图像
• 样本字段：
  • id
  • filepath
  • tags
  • metadata
  • ground_truth_polylines
  • ground_truth
• 分割：训练集和测试集，样本根据分割进行标记。

数据集创建

• 策展人：Chee-Kheng Ch’ng, Chee Seng Chan, Cheng-Lin Liu
• 资金来源：Fundamental Research Grant Scheme (FRGS) MoHE (Grant No. FP004-2016) 和 Postgraduate Research Grant (PPP) (Grant No. PG350-2016A)
• 策展理由：当前场景文本数据集中的文本方向不够多样化，特别是曲线方向的文本数量较少，因此，作者收集了Total-Text数据集，强调文本方向的多样性。

使用场景

• 曲线文本检测问题

引用信息

bibtex @article{CK2019, author = {Chee Kheng Ch’ng and Chee Seng Chan and Chenglin Liu}, title = {Total-Text: Towards Orientation Robustness in Scene Text Detection}, journal = {International Journal on Document Analysis and Recognition (IJDAR)}, volume = {23}, pages = {31-52}, year = {2020}, doi = {10.1007/s10032-019-00334-z}, }

搜集汇总

数据集介绍

构建方式

在场景文本检测领域，现有数据集多聚焦于水平与多方向文本，而对曲线文本的关注甚少。为弥补这一缺憾，研究者构建了Total-Text-Dataset，该数据集包含1555张图像，涵盖水平、多方向及曲线三种文本朝向。注释过程经历了精细的迭代优化：初始阶段以最少顶点紧密包裹文本实例，但发现顶点长度不可控，不利于回归网络训练。随后，借鉴横向与纵向序列连接的曲线文本检测思想，引入引导概念以消除人工标注偏差，并将多边形顶点统一设为10个，确保在覆盖所有单词级文本实例的同时保持一致性。此外，研究者开发了辅助标注工具T3，以提升标注质量与规模。数据集划分为训练集与测试集，样本通过标签区分，为场景文本检测的朝向鲁棒性研究提供了坚实的数据基础。

使用方法

使用Total-Text-Dataset需先安装FiftyOne库，通过执行`pip install -U fiftyone`完成安装。随后，在Python环境中导入相关模块，调用`fiftyone.utils.huggingface.load_from_hub`函数并传入数据集标识符`Voxel51/Total-Text-Dataset`即可加载数据集。加载后的数据集可直接启动FiftyOne应用进行可视化探索，或用于场景文本检测模型的训练与评估。该数据集特别适用于曲线文本检测任务的开发与基准测试，研究者可基于其提供的标准注释，快速验证算法在多种文本朝向上的鲁棒性。

背景与挑战

背景概述

在场景文本检测领域，文本的多样性姿态——尤其是弯曲文本——长期被忽视，现有数据集如ICDAR系列多聚焦于水平或简单多方向文本，导致模型对复杂文本布局的泛化能力不足。为填补这一空白，由Chee-Kheng Ch’ng、Chee Seng Chan与Cheng-Lin Liu等学者于2017年构建的Total-Text数据集应运而生。该数据集包含1555张高分辨率图像，创新性地引入了水平、多向与弯曲三种文本朝向，成为首个较大规模覆盖弯曲文本的场景文本检测基准。其核心研究问题在于提升模型对任意方向文本的鲁棒性，论文发表于IJDAR 2020，并获马来西亚高教部FRGS及PPP基金资助。该数据集推动了弯曲文本检测算法的发展，如基于多边形回归的TextSnake等模型均以其为评估标准，影响力辐射至文档分析、自动驾驶等应用场景。

当前挑战

Total-Text数据集面临的核心领域挑战在于弯曲文本的精准检测：不同于水平或规则文本，弯曲文本的几何形态多变，边界模糊，现有检测模型常因感受野局限或特征提取能力不足而漏检或误检。构建过程中，标注团队面临重大难题——初始多边形标注顶点数不固定，无法适配回归网络训练。为解决此问题，研究者借鉴Liu等人的横向-纵向序列连接思想，将顶点数统一为10个，并引入引导概念以消除标注者主观偏差，同时开发了辅助标注工具T3以提升效率与一致性。此外，标注需兼顾1555张图像中多样化的文本场景，如招牌、海报等，其复杂度要求标注者保持高度专注，为此允许自由休息以避免疲劳引入误差，并通过脚本内建机制实时监控标注质量。

常用场景

经典使用场景

Total-Text-Dataset作为场景文本检测领域的标杆性基准数据集，其最经典的使用场景在于评估和训练能够同时处理水平、多方向及曲线文本的鲁棒检测模型。该数据集包含1555张高分辨率自然场景图像，每张图像均以10顶点多边形精细标注文本实例，为研究者提供了衡量算法在复杂文本布局下性能的标准化平台。通过在此数据集上验证，可以系统性地对比不同检测架构对文本方向多样性的适应能力，从而推动模型从传统矩形框检测向更灵活的任意形状文本定位演进。

解决学术问题

该数据集核心解决了场景文本检测领域中曲线文本长期被忽视的学术研究问题。在Total-Text出现前，已有数据集如ICDAR系列和MSRA-TD500主要聚焦于水平或多方向文本，导致曲线文本检测算法因缺乏大规模标注数据而发展滞后。Total-Text通过首次大规模引入曲线文本实例，填补了文本方向多样性的空白，促使研究者重新审视检测模型的几何建模能力。其意义在于揭示了现有方法在曲线场景下的性能瓶颈，激发了诸如基于贝塞尔曲线、傅里叶变换及可变形卷积等新范式的涌现，显著推动了场景文本检测向更普适、更贴近真实世界分布的方向发展。

实际应用

在实际应用层面，Total-Text-Dataset驱动的技术已广泛渗透至需要精准文本定位的工业场景中。例如，在自动驾驶领域，道路标识牌、店铺招牌及交通指示牌常包含弯曲或多方向文本，基于该数据集训练的模型能够更可靠地提取这些关键信息。在图像翻译和增强现实应用中，对任意形状文本的精确检测是实现无缝文字替换或信息叠加的基础。此外，文档数字化与票据识别系统也受益于模型对非水平文本的鲁棒性，显著提升了复杂版面如证书、海报及包装盒上文字提取的准确率。

数据集最近研究

最新研究方向

在场景文本检测领域，文本朝向的多样性一直是制约模型泛化能力的关键瓶颈。Total-Text-Dataset 作为首个系统涵盖水平、多朝向及曲线文本的大型基准数据集，其核心价值在于推动了旋转不变性与曲线文本感知的前沿探索。当前研究热点聚焦于基于多边形顶点回归的端到端检测框架，以及融合横向与纵向序列连接的几何建模方法，旨在克服传统矩形框标注对非规则文本的拟合缺陷。该数据集与近年兴起的视觉语言模型（如 CLIP）及端到端OCR系统结合，显著提升了复杂场景下的文本定位鲁棒性；其标注规范也被广泛引用于街景、文档分析等下游任务，成为评估场景文本检测算法朝向适应性的权威标杆。