什么是ICDAR数据集

ICDAR（International Conference on Document Analysis and Recognition）数据集概述

ICDAR 是文档分析与识别领域的国际顶级会议，自 2003 年起每两年会组织一次 Robust Reading Competition，并随比赛公开发布一批高质量、标注精细的文本图像数据集。这些数据集已成为学术界和工业界评估场景文本检测、识别、端到端 OCR、视频文字等任务的标准基准。

1. 主要数据集及其特点

注：上述规模为公开部分，部分数据集（如 2015 年的 170 张私有图像）仅供评审使用。

2. 标注格式与下载渠道

标注文件通常为 .txt（每行：x1,y1,x2,y2,x3,y3,x4,y4,text）或 .json（多边形坐标 + 文本字段），便于直接用于深度学习框架（如 Detectron2、MMOCR）。

3. 常见研究任务与应用场景

1. 文本检测（Text Detection）‍：定位图像中所有文字区域，常用指标为 Precision/Recall 与 H‑mean。
2. 文本识别（Text Recognition）‍：对检测到的文字区域进行字符/单词级别的识别。
3. 端到端 OCR（End‑to‑End）‍：检测 + 识别一体化流程，评估整体系统的准确率。
4. 视频文字（Video Text）‍：在连续帧中追踪文字，ICDAR 2015 及以后均提供视频子任务。
5. 多语言/跨语言 OCR：ICDAR 2017 MLT、2024 Swahili‑text 等推动了非拉丁文字的研究。
6. 工业文档（票据、发票）‍：ICDAR 2019 SROIE 为金融、零售等行业的自动化提供基准。

这些任务在 智能交通、移动阅读、增强现实、文档数字化、金融票据自动化 等实际场景中都有直接落地的需求。

4. 如何快速上手

1. 获取数据：访问 RRC 官网，选择对应年份的 Challenge，完成注册后下载图像与标注压缩包。
2. 解压并检查结构：通常 train_images/、train_gts/（或 train_labels/）分别存放图像和标注文件。
3. 转换标注（如需）

   # 示例：将 ICDAR 2015 四边形 txt 转为 COCO JSON
   import json, os
   def txt_to_coco(txt_dir, img_dir, out_path):
       coco = {"images": [], "annotations": [], "categories": [{"id":1,"name":"text"}]}
       ann_id = 1
       for i, txt_file in enumerate(os.listdir(txt_dir)):
           img_name = txt_file.replace('.txt', '.jpg')
           img_path = os.path.join(img_dir, img_name)
           # 读取图像尺寸（省略）
           coco["images"].append({"id":i+1, "file_name":img_name, "width":w, "height":h})
           with open(os.path.join(txt_dir, txt_file), 'r', encoding='utf-8') as f:
               for line in f:
                   parts = line.strip().split(',')
                   poly = list(map(float, parts[:8]))
                   text = ','.join(parts[8:])
                   coco["annotations"].append({
                       "id": ann_id,
                       "image_id": i+1,
                       "category_id": 1,
                       "segmentation": [poly],
                       "bbox": [min(poly[0::2]), min(poly[1::2]),
                                max(poly[0::2])-min(poly[0::2]),
                                max(poly[1::2])-min(poly[1::2])],
                       "iscrowd": 0,
                       "area": (max(poly[0::2])-min(poly[0::2]))*
                               (max(poly[1::2])-min(poly[1::2])),
                       "text": text
                   })
                   ann_id += 1
       with open(out_path, 'w', encoding='utf-8') as f:
           json.dump(coco, f, ensure_ascii=False, indent=2)
   

   该脚本可直接用于 MMDetection、Detectron2 等框架的训练准备。

4. 基准模型：MMOCR、EAST、Mask‑TextSpotter、CRAFT 等均提供对 ICDAR 系列的预训练权重，可直接 fine‑tune。

5. 推荐阅读与资源链接

• 官方 RRC（Robust Reading Competition）主页：
• ICDAR 2015 数据集下载页面（需注册）：https://rrc.cvc.uab.es/?ch=4&com=downloads
• ICDAR 2017 MLT 数据集（Zenodo）‍：<https://zenodo.org/record/xxxx >（在 RRC 2017 章节列出）
• ICDAR 2019 SROIE（票据）‍：<https://rrc.cvc.uab.es/?ch=5&com=downloads >（RRC 2019）
• 最新 2024 Swahili‑text 数据集（华中大）报道：

小结
ICDAR 数据集是 OCR 与文档分析领域最具影响力的基准集合，覆盖从早期的英文水平文本到如今的多语言、视频、工业票据等多样化任务。通过官方 RRC 网站即可获取最新、最完整的下载链接，配合标准的四边形/多边形标注格式，研究者可以快速构建、评估和对比文本检测与识别模型。希望上述概述能帮助你快速定位所需数据并开展实验。