OCR 데이터셋

500,000장 21개국 자연 장면 & 문서 촬영 & 전자 장면 OCR 라벨링 데이터는 21개 언어로 구성되어 있으며, 각 언어당 20,000~25,000장의 이미지를 포함한다. 데이터 유형은 자연 장면, 문서 촬영, 전자 화면으로 다양하며, 촬영 각도와 환경도 다채롭다. 라벨링은 행(열) 단위의 사각형 또는 다각형 어노테이션, 내용 전사 방식으로 수행되며, 다국어 OCR 인식 연구에 활용할 수 있다.

500,000장의 다국적 자연 장면 및 문서 OCR 데이터는 번체 중국어, 일본어, 한국어, 인도네시아어, 말레이어, 태국어, 베트남어, 폴란드어 등 총 20개 언어를 포함합니다. 다양한 자연 장면과 촬영 각도를 반영한 수집 방식으로, 다국어 OCR 과제에 활용될 수 있는 데이터입니다.

30,000장의 동남아 소수 언어 자연 장면 OCR 데이터는 크메르어(캄보디아), 라오어, 미얀마어 등 3개 언어를 포함하며, 다양한 자연 장면과 다양한 촬영 각도를 반영하여 수집되었습니다. 본 데이터는 동남아 언어 OCR 과제에 활용될 수 있습니다.

222,289장의 중국어 자연 장면 OCR 데이터는 실내외 다양한 장면에서 수집되었습니다. 데이터 다양성은 여러 장면과 다양한 촬영 각도를 포함합니다. 라벨링은 이미지 내 텍스트에 대해 행 단위, 단어 단위, 문자 단위 라벨링과 내용 전사를 포함합니다. 본 중국어 자연 장면 OCR 데이터는 자연 장면 OCR 작업에 활용할 수 있습니다.

9,497장 10종류 표 OCR 데이터로, 직사각형 박스를 사용해 라벨링했습니다. 본 데이터는 표 탐지 및 인식 작업에 활용할 수 있습니다.

17,561장의 초등학교 수학 시험지 수집 데이터는 배경이 단색입니다. 데이터는 다양한 문제 유형, 다양한 시험지 종류(수학 연습책, 시험지, 경시 문제 등), 여러 학년을 포함합니다. 본 초등학교 수학 시험지 수집 데이터는 지능형 채점, 초등학생 과제 지도 등의 작업에 활용될 수 있습니다.

4,995장의 베트남어 OCR 라벨링 및 전사 데이터는 자연 장면 이미지 258장, 인터넷 이미지 2,553장, 텍스트 이미지 2,184장을 포함합니다. 라벨링 측면에서는 행 단위 내용에 대해 행 단위 사각형 박스 라벨링과 행 단위 내용 전사가 이루어지며, 세로열 내용에 대해서는 세로열 사각형 박스 라벨링과 세로열 내용 전사가 포함됩니다. 본 베트남어 OCR 라벨링 및 전사 데이터는 다양한 장면에서의 베트남어 인식 및 베트남어 촬영 번역 등 작업에 활용될 수 있습니다.

104,320장의 한국어 및 힌디어 자연 환경 OCR 데이터 수집 장면에는 상품 포장, 포스터, 차표, 안내문, 메뉴, 건물 표지 등이 포함됩니다. 데이터 다양성에는 다양한 장면, 다양한 촬영 각도, 다양한 조명 조건이 포함됩니다. 언어 분포는 한국어, 힌디어 및 영어(소량)입니다. 라벨링 측면에서 데이터는 행 단위 다각형 박스(또는 사각형 박스, 직사각형 박스) 라벨링, 행 단위 내용 전사, 텍스트 속성(언어 종류), 열 단위 다각형 박스(또는 사각형 박스, 직사각형 박스) 라벨링, 열 단위 내용 전사, 텍스트 속성(언어 종류)이 포함됩니다. 본 한국어 및 힌디어 자연 환경 OCR 데이터는 한국어 및 힌디어 자연 환경에서의 OCR 작업에 활용 가능합니다.

105,941장의 12개 언어 자연 환경 OCR 데이터는 6개 아시아어와 6개 유럽어를 포함한 12개 언어를 포함하며, 다양한 자연 환경과 촬영 각도에서 수집되었습니다. 라벨링 측면에서는 행 단위 텍스트의 사각형 박스와 행 단위 텍스트 전사가 포함되어 있습니다. 본 데이터셋은 다국어 OCR 작업에 활용될 수 있습니다.