【OCR】数据集合集！

本文将为您介绍经典、热门的数据集，希望对您在选择适合的数据集时有所帮助。

1

RapidOCR

• 更新时间：2024-12-24

• 访问地址: GitHub

• 描述：

  基于 ONNXRuntime、OpenVINO 和 PaddlePaddle 的超棒 OCR 多编程语言工具包。多平台、多语言 OCR 工具，它拥有无与伦比的速度、广泛的支持和完全的开放性。这款卓越的软件完全免费，以促进快速离线部署而闻名。其效率的核心是 ONNXRuntime 推理引擎，提供 4 到 5 倍于 PaddlePaddle 引擎的速度，同时确保没有内存泄漏。

• 数据集网址：

  https://github.com/RapidAI/RapidOCR

2

PaddleOCR

• 更新时间：2024-12-24

• 访问地址: GitHub

• 描述：

  基于PaddlePaddle的超棒多语言OCR工具包（实用的超轻量级OCR系统，支持80多种语言识别，提供数据注释和合成工具，支持服务器、移动、嵌入式和物联网设备之间的训练和部署）。

• 数据集网址：

  https://github.com/PaddlePaddle/PaddleOCR

3

surya

• 更新时间：2024-12-21

• 访问地址: GitHub

• 描述：

  Surya 是一个文档 OCR 工具包，支持 90 多种语言的 OCR，与云服务相比具有优势，可以进行任何语言的行级文本检测，布局分析（表格、图像、标题等检测），阅读顺序检测，表格识别（检测行/列）等，它适用于一系列文档。

• 数据集网址：

  https://github.com/VikParuchuri/surya

4

PaddleOCR-json

• 更新时间：2024-10-15

• 访问地址: GitHub

• 描述：

  这是一个基于PaddleOCR v2.6及v2.8 cpp_infer的离线图片OCR文字识别程序，可以快速让你的程序拥有OCR能力。它可以作为一个子进程被上层程序调用，也可以作为一个单独的进程通过TCP调用。本项目提供了Python等语言的API，你可以无视技术细节，通过两行代码使用它。

  本项目旨在提供一个封装好的OCR引擎组件，使得没有C++编程基础的开发者也可以用其他语言来简单地调用OCR，享受到更快的运行效率、更方便的资源和部署手段。

• 数据集网址：

  https://github.com/hiroi-sora/PaddleOCR-json

5

OpenOCR

• 更新时间：2024-12-18

• 访问地址: GitHub

• 描述：

  OpenOCR：通用的OCR系统，准确率高，支持24种在真实大规模数据集上从头训练的场景文本识别方法，并将持续添加最新方法。

• 数据集网址：

  https://github.com/Topdu/OpenOCR

6

ID-DocumentRecognition-Linux

• 更新时间：2024-10-15

• 访问地址: GitHub

• 描述：

  MiniAiLive 智能 ID OCR，实现可靠的身份验证从文档验证到数据输入，我们的 MiniAiLive OCR 解决方案可以帮助改变您的身份验证流程。

  使用我们经过验证的 AI 优先方法，快速安全地捕获、提取和验证各种身份证、护照、驾驶执照和其他文件中的数据。我们的技术设计无缝集成，可以作为完全捆绑的身份证件验证解决方案集成，也可以通过开发人员友好的移动或服务器 SDK 作为单独的模块集成。

• 数据集网址：

  https://github.com/MiniAiLive/ID-DocumentRecognition-Linux

7

doctr

• 更新时间：2024-12-21

• 访问地址: GitHub

• 描述：

  docTR（文档文本识别）------一个由深度学习支持的 OCR 相关任务的无缝、高性能且可访问的库。

• 数据集网址：

  https://github.com/mindee/doctr

8

Text-Grab

• 更新时间：2024-12-22

• 访问地址: GitHub

• 描述：

  这是适用于 Windows 10/11 的最小光学字符识别 (OCR) 实用程序，可以复制所有可见文本。

  文本经常被困在图像、视频或应用程序的某些部分中，无法被选中。Text Grab 截取屏幕截图，将该图像传递给 OCR 引擎，然后将文本放入剪贴板以供在任何地方使用。OCR 由Windows API在本地完成。这使得 Text Grab 基本上没有 UI，也不需要持续运行的后台进程。处理文本不仅仅是从图像中复制文本，因此 Text Grab 有一系列不同的模式，使处理文本变得快速而简单。

• 数据集网址：

  https://github.com/TheJoeFin/Text-Grab

9

tesseract.js

• 更新时间：2024-12-24

• 访问地址: GitHub

• 描述：

  适用于 100 多种语言的纯 Javascript OCR。

  Tesseract.js 旨在将Tesseract OCR 引擎（一个单独的项目）引入浏览器和 Node.js，并通过包装Tesseract 的WebAssembly 端口来工作。该项目不会修改 Tesseract 的核心功能。最值得注意的是，Tesseract.js 不支持 PDF 文件，也不会修改 Tesseract 识别模型来提高准确性。

• 数据集网址：

  https://github.com/naptha/tesseract.js

10

Easydict

• 更新时间：2024-12-24

• 访问地址: GitHub

• 描述：

  一个简洁优雅的搜索翻译macOS App。开箱即用，支持离线OCR识别，支持有道搜索，苹果系统搜索，苹果系统翻译，OpenAI，Gemini，DeepL，Google，Bing，腾讯，百度，阿里，小牛，彩云和火山翻译。简洁优雅的 macOS 词典和翻译器应用程序，用于查找单词和翻译文本。

• 数据集网址：

  https://github.com/tisfeng/Easydict