票据字段检测数据集 | 票据检测 字段识别 财务自动化 目标检测 YOLO格式 深度学习数据集 计算机视觉9045期
数据集概述
本数据集专注于票据/收据关键字段的视觉检测，服务于智能财务、文档自动化处理及OCR预标注。数据涵盖票据中的八个核心信息字段，适配票据自动录入、财务审核及信息提取等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 8 类：日期、标题、地址、项目明细、订单号、小计、税额、总价 |
| 数量 | 1700 张图像 |
| 格式 | 图像为 JPG/PNG；标签为 YOLO 格式的 txt 文件（水平边界框） |
| 应用价值 | 1. 财务自动化 ：支撑票据信息的快速结构化提取，减少人工录入工作量。 2. 报销审核 ：辅助财务人员快速定位关键字段，提升审核效率与准确性。 3. 数据分析：为消费数据分析、预算管理提供标准化的票据数据输入。 |
数据三要素解析
类别与字段覆盖
- 数据集定义 8 类票据核心字段：
- 日期（Date）：交易发生的日期。
- 标题（Title）：票据标题或商户名称。
- 地址（Address）：商户地址信息。
- 项目明细（Item）：购买的商品或服务项目列表。
- 订单号（OrderId）：订单唯一标识号。
- 小计（Subtotal）：税前金额合计。
- 税额（Tax）：应缴税额。
- 总价（TotalPrice）：含税总金额。
- 这些字段覆盖了票据信息录入所需的最核心内容，具有明确的财务应用导向。
数据规模与格式
- 图像总量约 1700 张，规模适中，适合作为票据文本检测任务的基准数据集。
- 采用通用 YOLO 格式（txt），每张图像对应一个同名标签文件，包含类别 ID 与归一化边界框坐标，可直接接入 YOLOv5、YOLOv8 等主流检测框架。
- 图像与标签一一对应，数据结构规范，便于进行训练/验证集划分与预处理集成。
应用与扩展
- 数据集可扩展用于 票据类型分类 （如增值税发票、小票、电子票）、字段内容识别 （结合OCR）及 异常票据检测。
- 可结合 OCR引擎（如 Tesseract、PaddleOCR）构成完整的票据信息提取流水线。
- 数据可迁移至 合同、表单 等类似结构化文档的字段检测任务。
知识普及：票据字段检测的技术要点
- 版面多样性：不同商户票据的排版方式差异大，字段位置、字体、大小不一，模型需具有较好的版面适应性。
- 紧密关联的字段：标题与地址常相邻，小计、税额与总价在位置和数值上关联，检测后引入规则校验可提升识别一致性。
- 干扰与噪声：票据背景、水印、折叠痕迹等可能干扰字段检测，建议采用图像增强与噪声抑制预处理。
- 应用流程 ：本数据集提供的是字段区域检测，而非字符识别（OCR）。实际系统中，可先用本模型定位字段区域，再对每个区域调用OCR引擎读取文本内容，实现完整的信息结构化。
快速开始（代码示例）
配置文件 data.yaml 示例：
yaml
train: ./dataset/images/train
val: ./dataset/images/val
nc: 8
names: ['date', 'title', 'address', 'item', 'orderid', 'subtotal', 'tax', 'totalprice']启动 YOLOv8 训练：
python
from ultralytics import YOLO
model = YOLO('yolov8m.pt')
model.train(data='data.yaml', epochs=100, imgsz=640, batch=16)标签
票据检测 字段识别 财务自动化 目标检测 YOLO格式 深度学习数据集 计算机视觉