اوپن سورس او سي آر

2026 ۾ توهان جي ايم ايل ماڊلز کي تربيت ڏيڻ لاءِ 22 بهترين اوپن سورس او سي آر ڊيٽا سيٽ

آپٽيڪل ڪردار جي سڃاڻپ هاڻي رسيد اسڪيننگ، سڃاڻپ جي تصديق، انوائس آٽوميشن، تاريخي آرڪائيو ڊجيٽلائيزيشن، ۽ اسٽائلس تي ٻڌل نوٽ ايپس کي طاقت ڏئي ٿي. او سي آر مارڪيٽ 2030 تائين 14.8٪ سي اي جي آر (گرينڊ ويو ريسرچ، 2024) تي 32.90 بلين ڊالر تائين پهچڻ جو امڪان آهي، ذهين ڪردار جي سڃاڻپ سان - او سي آر جي هٿ جي لکت پڙهڻ واري شاخ - تيز ترين وڌي رهي آهي. ڇا توهان دستاويز جي تجزيي، منظر-ٽيڪسٽ جي سڃاڻپ، يا هٿ جي لکت ٽرانسڪرپشن ٺاهي رهيا آهيو، او سي آر ڊيٽاسيٽ جنهن تي توهان تربيت ڏيو ٿا اهو توهان جي درستگي جي حد مقرر ڪري ٿو. هي گائيڊ 22 مفت، اوپن سورس او سي آر ڊيٽاسيٽس کي ڍڪيندو آهي - بهترين هٿ جي لکت ڊيٽاسيٽس سميت - استعمال جي ڪيس جي لحاظ کان ترتيب ڏنل ۽ 2024 تائين مضبوط ترين رليز سان تازو ڪيو ويو آهي.

ڪيٻئي جا رستا

  • او سي آر (آپٽيڪل ڪيڪٽر ريڪگنيشن): ٽيڪنالاجي جيڪا ڇپيل، منظر، يا هٿ سان لکيل متن جي تصويرن کي مشين پڙهڻ واري ڊيٽا ۾ تبديل ڪري ٿي.
  • او سي آر ڊيٽاسيٽس پنجن گروپن ۾ ورهايل آهن: دستاويز/فارم، منظر جو متن، عدد/ڪردار، هٿ لکائي، ۽ گهڻ لساني.
  • دستاويز OCR ڊيٽاسيٽس فارم ۽ رسيدن جهڙن منظم صفحن کي پڪڙيو؛ منظر-ٽيڪسٽ ڊيٽاسيٽس "جهنگلي ۾" متن کي پڪڙيو.
  • IAM، MNIST، ICDAR، ۽ SROIE تحقيق ۾ سڀ کان وڌيڪ حوالو ڏنل OCR معيار آهن.
  • لائسنس جون شرطون وڏي پيماني تي مختلف آهن - ڪمرشل ٽريننگ کان اڳ هر OCR ڊيٽاسيٽ جي تصديق ڪريو.

OCR ڇا آهي (Optical Character Recognition)؟

او سي آر هڪ ٽيڪنالاجي آهي جيڪا مختلف قسمن جي دستاويزن کي تبديل ڪري ٿي، جهڙوڪ اسڪين ٿيل پيپر دستاويز، پي ڊي ايف، يا ٽيڪسٽ جون تصويرون، قابل تدوين ۽ ڳولها لائق ڊيٽا ۾. اهو ڪم ڪري ٿو:

  • تصوير ۾ متن جي جوڙجڪ جو تجزيو
  • لکن ۽ اکرن ۾ متن کي ٽوڙڻ
  • انهن بصري اکرن کي مشين پڙهڻ جي قابل متن ۾ تبديل ڪرڻ

عام استعمال ۾ شامل آهن:

  • اسڪين ٿيل دستاويزن کي قابل تدوين ٽيڪسٽ فائلن ۾ تبديل ڪرڻ
  • ڇپيل ڪتابن کي ڊجيٽلائيز ڪرڻ
  • تصويرن مان متن ڪڍڻ
  • هٿ سان لکيل نسخن کي ڊجيٽل متن ۾ تبديل ڪرڻ
  • لائسنس پليٽ جي سڃاڻپ

توهان صحيح OCR ڊيٽاسيٽ ڪيئن چونڊيندا آهيو؟

او سي آر ڊيٽاسيٽ چونڊڻ چار عنصرن تي منحصر آهي: ٽيڪسٽ جو قسم، ڪيپچر ماحول، تشريح گرينوليريٽي، ۽ لائسنس. پرنٽ ٿيل دستاويز او سي آر کي هٿ سان لکيل ڪرسيو يا وکر ٿيل منظر متن کان مختلف تربيتي ڊيٽا جي ضرورت آهي. دستاويز ڊيٽاسيٽ انوائسز، فارمن ۽ رسيدن کي پورو ڪن ٿا؛ منظر-ٽيڪسٽ ڊيٽاسيٽ نشانين ۽ پراڊڪٽ پڙهڻ کي پورو ڪن ٿا؛ هٿ سان لکيل ڊيٽاسيٽ نوٽس، مسودن، ۽ اسٽائلس ان پٽ کي پورو ڪن ٿا. لفظ-سطح ۽ لائن-سطح جي تشريح مڪمل او سي آر پائپ لائنن کي سپورٽ ڪن ٿا، جڏهن ته ڪردار-سطح سيٽ درجه بندي جي بنيادي لائنن کي پورو ڪن ٿا. هميشه لائسنس جي شرطن جي تصديق ڪريو، ڇاڪاڻ ته ڪجهه او سي آر ڊيٽاسيٽ صرف تحقيق لاءِ آهن يا رجسٽريشن جي ضرورت آهي.

بهترين دستاويز ۽ فارم OCR ڊيٽاسيٽ ڪهڙا آهن؟

دستاويز OCR ڊيٽاسيٽ ماڊلز کي انوائسز، فارمز، رسيدن، ۽ IDs جهڙن منظم صفحن کي پارس ڪرڻ جي تربيت ڏين ٿا. اهي ڪاروباري دستاويز جي خودڪار ۽ اهم قدر ڪڍڻ کي طاقت ڏين ٿا.

  1. فنسڊ — 199 اينوٽيٽيڊ اسڪين ٿيل فارم شور مچائيندڙ، حقيقي دنيا جي ظاهر سان. فارم جي سمجھ ۽ اهم قدر ڪڍڻ لاءِ معياري معيار.
  2. ايس آر او آءِ اي — ICDAR 2019 اسڪين ٿيل رسيد ڊيٽاسيٽ تقريبن 1,000 رسيدن جو، جيڪو هڪ سيٽ ۾ ٽيڪسٽ جي ڳولا، سڃاڻپ، ۽ معلومات ڪڍڻ جي مدد ڪري ٿو.
  3. ڪيڊ — پوسٽ-او سي آر پارسنگ لاءِ ٺهيل هڪ گڏيل رسيد ڊيٽا سيٽ، انوائس ۽ رسيد آٽوميشن لاءِ ڀرپور فيلڊ-ليول ليبلز سان.
  4. ايڪس فنڊ — FUNSD جو گهڻ لساني واڌارو جيڪو ست ٻولين (جرمن، اسپيني، فرينچ، اطالوي، جاپاني، پرتگالي، چيني) کي ڍڪي ٿو، هر هڪ ۾ 199 صفحا آهن. گهڻ لساني دستاويز AI لاءِ مثالي.
  5. ڊي ڊي آءِ-100 — حقيقي دنيا جي خرابي جهڙوڪ اسڪو، بلور، ۽ شور جي تحت ڳولڻ ۽ سڃاڻپ لاءِ لڳ ڀڳ 100,000 بگڙيل دستاويز تصويرون.

بهترين سين ٽيڪسٽ او سي آر ڊيٽاسيٽ ڪهڙا آهن؟

منظر-متن OCR ڊيٽاسيٽ ماڊلز کي قدرتي تصويرن جهڙوڪ نشانين، شين، ۽ گهٽين جي منظرن ۾ متن پڙهڻ جي تربيت ڏين ٿا. اهي جهنگلي OCR لاءِ ضروري آهن جتي پس منظر بي ترتيب هوندا آهن.

  1. ICDAR مضبوط پڙهڻ — گھڻي منظر-متن جي تحقيق جي پويان بينچ مارڪ خاندان، جنهن ۾ لفظ-سطح جي باؤنڊنگ باڪس ۽ ٽرانسڪرپشن سان مرڪوز ۽ حادثاتي منظر متن چئلينج شامل آهن.
  2. COCO-ٽيڪسٽ — MS-COCO تصويرن تي وڏي پيماني تي منظر-ٽيڪسٽ تشريحون. قدرتي منظرن ۾ پيماني تي متن جي ڳولا لاءِ مضبوط.
  3. ڪُل-ٽيڪسٽ — وکر ۽ بي ترتيبي سان ترتيب ڏنل متن ۾ ماهر، پراڻن OCR ماڊلز لاءِ هڪ سڃاتل ڪمزور جاءِ.
  4. ايس وي ٽي (گهٽي جو نظارو متن) — گوگل اسٽريٽ ويو مان حاصل ڪيل لفظي تصويرون، اڪثر ڪري گهٽ ريزوليوشن ۽ اعليٰ متغير. ڪوڊ مررز سان پيپرز ذريعي دستياب.
  5. هائر ٽيڪسٽ — پيراگراف کان لڪير تائين لفظ جي درجي بندي تشريح، هٿ سان لکيل ۽ ڇپيل منظر متن ٻنهي کي ڍڪيندي. ترتيب کان واقف OCR لاءِ ڪارآمد.

بهترين عدد ۽ ڪردار OCR ڊيٽاسيٽ ڪهڙا آهن؟

انگن ۽ ڪردار OCR ڊيٽاسيٽس ماڊلز کي ڪنٽرول ٿيل سيٽنگن ۾ انفرادي علامتن کي سڃاڻڻ جي تربيت ڏين ٿا. اهي درجه بندي جي بنيادي لائنن لاءِ معياري شروعاتي نقطا آهن.

  1. MNIST — 70,000 گري اسڪيل هٿ سان لکيل عدد تصويرون. عددي درجه بندي جي تصديق لاءِ تيز ترين بنيادي لائن.
  2. ايمنسٽ — NIST اسپيشل ڊيٽابيس 19 مان نڪتل 814,255 هٿ سان لکيل اکرن ۽ انگن سان MNIST کي وڌائي ٿو.
  3. ايس وي ايڇ اين (اسٽريٽ ويو هائوس نمبر) — گھر جي نمبرن مان 600,000 کان وڌيڪ حقيقي دنيا جي انگن جون تصويرون. شور واري حالتن لاءِ MNIST کان هڪ عملي قدم.
  4. چارس 74K — 74,107 تصويرون جيڪي قدرتي تصويرن ۽ ڪمپيوٽر فونٽس مان انگريزي ۽ ڪنڙ اکرن کي ڍڪينديون آهن.
  5. NIST خاص ڊيٽابيس 19 — 3,600 ليکڪن جون 810,000+ هٿ سان ڇپيل ڪردار تصويرون. ڪيترائي انگريزي OCR معيار جنهن مان نڪتل آهن.

او سي آر لاءِ بهترين هٿ لکائي ڊيٽاسيٽ ڪهڙا آهن؟

هٿ سان لکيل ڊيٽاسيٽ او سي آر ماڊلز کي ڪرسيو، پرنٽ ٿيل، ۽ تاريخي هٿ سان لکيل متن پڙهڻ جي تربيت ڏين ٿا. مضبوط ترين کليل هٿ سان لکيل ڊيٽاسيٽ هٿ سان لکيل متن جي سڃاڻپ (HTR) لاءِ سڀ کان وڌيڪ حوالو ڏنل معيار آهن.

  1. IAM هٿ لکائي ڊيٽابيس — انگريزي هٿ لکائي جو سون جو معيار، 657 ليکڪن جون 13,353 ٽيڪسٽ لائينون. اڃا تائين 2024-2025 OCR ريسرچ ۾ سڀ کان وڌيڪ حوالو ڏنل هٿ لکائي ڊيٽاسيٽ آهي.
  2. آئي اي ايم-آن ڊي بي — IAM جو آن لائن پين-اسٽروڪ ورزن، ٽريجڪٽري ڊيٽا کي پڪڙڻ. اسٽائلس ۽ ٽيبليٽ جي سڃاڻپ لاءِ ڪيننيڪل هٿ لکائي ڊيٽاسيٽ.
  3. بينٿم پيپرز — فلسفي جيريمي بينٿم کان نقل ڪيل تاريخي انگريزي مسودا. تاريخي هٿ لکائي OCR لاءِ معروف معيار، ٽرانسڪرائيبس ذريعي رسائي لائق.
  4. GNHK (سٺن نوٽس هٿ لکڻ جو مجموعو) — 2021 جو ڊيٽاسيٽ، حقيقي دنيا جي انگريزي هٿ سان لکيل نوٽس جو، جيڪو بيحد محدود آهي. ليبارٽري صاف IAM جي ڀيٽ ۾ گندي پيداوار ڊيٽا جي ويجهو.

بهترين گهڻ لساني ۽ غير لاطيني OCR ڊيٽاسيٽ ڪهڙا آهن؟

 

گهڻ لساني OCR ڊيٽاسيٽ انگريزي کان ٻاهر جي رسم الخطن تي ماڊلز کي تربيت ڏين ٿا، جن ۾ چيني، عربي، ۽ رياضي نوٽيشن شامل آهن. اهي عالمي دستاويز ۽ هٿ جي لکت جي سڃاڻپ لاءِ ضروري آهن.

  1. ڪيسيا-ايڇ ڊبليو ڊي بي — معياري چيني او سي آر بينچ مارڪ، 1,020 ليکڪن کان 1.17 ملين هٿ سان لکيل ڪردارن جي نمونن سان.
  2. خٽ — 1,000 مختلف ليکڪن جا 1,000 عربي هٿ سان لکيل فارم، ڪيترن ئي ريزوليوشن تي اسڪين ٿيل. سڀ کان وڌيڪ جامع کليل عربي OCR ڊيٽاسيٽ.
  3. ڪروم — آن لائن هٿ سان لکيل رياضي جي اظهار جي سڃاڻپ تي مقابلو: 101+ رياضي جي علامتن ۾ 10,000+ اظهار، آن لائن ۽ آف لائن ٻنهي قسمن ۾. هٿ سان لکيل مساوات OCR لاءِ ضروري.

مفت OCR ڊيٽاسيٽس استعمال ڪرڻ وقت ڪهڙا عام نقصان آهن؟

ٽي خرابيون گهڻيون ٽيمون پڪڙين ٿيون.

ڊومين جي مطابقت نه هجڻ: صاف IAM يا COCO-ٽيڪسٽ تي تربيت ۽ ڀريل انوائس تي ڊيپلائي ڪرڻ خراب درستگي جي ضمانت ڏئي ٿو.

لائسنس بلائنڊنس: ڪيترائي منظر-ٽيڪسٽ ۽ تاريخي OCR ڊيٽاسيٽ صرف تحقيق لاءِ آهن يا تجارتي استعمال کان اڳ رجسٽريشن جي ضرورت آهي.

تشريح جا خال: ڪيترن ئي OCR ڊيٽاسيٽس ۾ لي آئوٽ ميٽا ڊيٽا، لائن-ليول باؤنڊنگ باڪس، يا فيلڊ ليبل نه هوندا آهن جيڪي پيداوار سسٽم کي گهربل آهن.

هڪ وچولي سائيز جي لاجسٽڪ فرم جو تصور ڪريو جيڪو شپنگ ليبل ريڊنگ کي خودڪار بڻائي رهيو آهي. پبلڪ سين-ٽيڪسٽ ٽريننگ انهن کي بينچ مارڪ تي 80٪ تائين پهچائي ٿي، پر چمڪ ۽ فولڊ سان حقيقي ليبل انهن کي 58٪ تائين ڇڏي ڏين ٿا. انهي خال کي ختم ڪرڻ لاءِ لانچ کان اڳ 6,000 ان-ڊومين ليبل تصويرن جي ٽارگيٽ ڊيٽا اينوٽيشن جي ضرورت هئي.

اوپن سورس ڊيٽا سيٽ جا فائدا ۽ چئلينجز

اوپن سورس ڊيٽاسيٽس جا فائدا ۽ چئلينج

ڪاروبار کي هڪ ٻئي جي خلاف فائدن ۽ چئلينجن کي سمجهڻ جي ضرورت آهي ته ڇا انهن کي انهن جي ايم ايل ايپليڪيشنن لاءِ مفت استعمال ڪرڻ واري ڊيٽا کي چونڊڻ گهرجي.

فائدا

  • ڊيٽا تائين رسائي آساني سان دستياب آهي. ڊيٽا جي دستيابي جي ڪري، ايپليڪيشن کي ترقي ڪرڻ جي قيمت خاص طور تي گھٽجي وئي آهي.
  • ايپليڪيشن لاءِ ڊيٽا گڏ ڪرڻ ۾ خرچ ٿيل وقت ۽ ڪوشش خاص طور تي گهٽجي وئي آهي جيئن ڊيٽا سيٽ آساني سان دستياب آهي.
  • هتي ڪميونٽي فورمز يا مدد گروپن جي گهڻائي آهي جيڪي سکڻ، ترتيب ڏيڻ ۽ ڊيٽا سيٽ کي بهتر ڪرڻ ۾ مدد ڪن ٿيون.
  • اوپن سورس ڊيٽا سيٽ جي وڏي فائدن مان هڪ اهو آهي ته اهو ڪسٽمائيزيشن تي ڪا به پابندي نه رکندو آهي.
  • اوپن سورس ڊيٽا آبادي جي وڏي حصي تائين پهچندي آهي، جيڪا مالياتي رڪاوٽن کان سواءِ تجزيو ۽ جدت کي ممڪن بڻائي ٿي.

مسئلن

  • پروجيڪٽ جي مخصوص ڊيٽا حاصل ڪرڻ ڏکيو آهي. اضافي طور تي، موجود ڊيٽا جي گمشدگي ۽ غلط استعمال جو امڪان آهي.
  • ملڪيت جي ڊيٽا حاصل ڪرڻ وقت، ۽ ڪوشش وٺندو آهي ۽ قيمتي آهي
  • جڏهن ته ڊيٽا حاصل ڪرڻ آسان ٿي سگهي ٿي، علم ۽ تجزيي جي قيمت ابتدائي فائدي کان وڌيڪ ٿي سگهي ٿي.
  • ٻيا ڊولپر پڻ ايپليڪيشنن کي ترقي ڪرڻ لاء ساڳئي ڊيٽا استعمال ڪن ٿا.
  • اهي ڊيٽا سيٽ سيڪيورٽي جي ڀڃڪڙي، رازداري، ۽ رضامندي لاء انتهائي خطرناڪ آهن.

شيپ او سي آر ۽ هٿ لکائي جي سڃاڻپ جي منصوبن کي ڪيئن سپورٽ ڪري ٿو؟

شيپ جون او سي آر ٽريننگ ڊيٽا سروسز اوپن ڊيٽا سيٽ ڪيوريشن کي 60+ ٻولين ۾ ڪسٽم ڊيٽا ڪليڪشن سان جوڙينديون آهن، جيڪي پرنٽ ٿيل دستاويزن، هٿ لکائي، رسيدن، ۽ آئي ڊيز کي پکڙيل آهن. شيپ جا اينوٽيشن ورڪ فلو عوامي او سي آر ڊيٽا سيٽ جي پرتن کي شامل ڪن ٿا: لائن-ليول باؤنڊنگ باڪس، فيلڊ-ليول ليبل، ٽرانسڪرپشن QC، ۽ رائٽر ميٽا ڊيٽا.

ٿڪل

مٿي ڏنل 22 OCR ڊيٽاسيٽ توهان کي 2026 لاءِ دستاويز، منظر ٽيڪسٽ، عدد، هٿ لکڻ، ۽ گهڻ لساني سڃاڻپ ۾ هڪ مڪمل اوپن سورس بنياد ڏين ٿا. OCR ڊيٽاسيٽ سان شروع ڪريو جيڪو توهان جي ٽيڪسٽ جي قسم ۽ ڪيپچر ماحول سان ملندو آهي، توهان جي حقيقي ڊيٽا جي هڪ رکيل نموني جي خلاف تصديق ڪريو، ۽ ڊومين گيپ کي بند ڪرڻ لاءِ ڪسٽم اينوٽيشن لاءِ بجيٽ. اهو ميلاپ شروع کان تعمير ڪرڻ کان وڌيڪ تيزيءَ سان ايندو آهي.

بهترين مفت OCR ڊيٽاسيٽ ڪم تي منحصر آهي. ICDAR Robust Reading منظر ٽيڪسٽ جي اڳواڻي ڪري ٿو، FUNSD ۽ SROIE ليڊ دستاويز ۽ رسيد OCR، ۽ IAM هٿ لکائي جي اڳواڻي ڪري ٿو. انگن جي سڃاڻپ لاءِ، MNIST ۽ SVHN معياري آهن. گهڻيون ٽيمون هڪ تي ڀروسو ڪرڻ بدران ٻن يا ٽن OCR ڊيٽاسيٽس کي مختلف قسمن ۾ گڏ ڪن ٿيون.

اوپن سورس OCR ڊيٽاسيٽ سڀ تجارتي استعمال لاءِ مفت نه آهن. MNIST، SVHN، ۽ COCO-Text اجازت ڏيندڙ لائسنس استعمال ڪندا آهن، جڏهن ته IAM، ICDAR سيٽ، ۽ تاريخي هٿ لکائي ڊيٽاسيٽ اڪثر رجسٽريشن جي ضرورت هونديون آهن يا تحقيق تائين استعمال کي محدود ڪندا آهن. تجارتي ماڊل کي تربيت ڏيڻ کان اڳ هميشه هر ڊيٽاسيٽ جي لائسنس جو جائزو وٺو.

او سي آر ڊيٽاسيٽ سڀني مشين پڙهڻ لائق ٽيڪسٽ جي سڃاڻپ کي ڍڪيندا آهن، جنهن ۾ پرنٽ ٿيل دستاويز، منظر ٽيڪسٽ، ۽ انگ شامل آهن، جڏهن ته هٿ سان لکيل ڊيٽاسيٽ هٿ سان لکيل مواد تي ڌيان ڏيڻ وارو ذيلي سيٽ آهن. آئي اي ايم ۽ بينٿم جهڙا هٿ سان لکيل ڊيٽاسيٽ ايڇ ٽي آر ماڊلز کي تربيت ڏين ٿا، جڏهن ته دستاويز ۽ منظر-ٽيڪسٽ او سي آر ڊيٽاسيٽ پرنٽ ٿيل ۽ ان-دي-وائلڊ ٽيڪسٽ کي سنڀاليندا آهن.

گهڻ لساني OCR ڊيٽاسيٽس ۾ ستن ٻولين جي شڪلن لاءِ XFUND، چيني لاءِ CASIA-HWDB، عربي لاءِ KHATT، ۽ گهڻ لساني منظر متن لاءِ ICDAR MLT شامل آهن. اسڪرپٽ-مخصوص OCR ڊيٽاسيٽس کي مصنوعي واڌ سان گڏ ڪرڻ عام طور تي ڪنهن به هڪ ڊيٽاسيٽ تي تربيت کان بهتر ڪارڪردگي ڏيکاري ٿو.

ڪسٽم اينوٽيشن جون ضرورتون ان تي منحصر آهن ته توهان جا دستاويز عوامي ڊيٽا کان ڪيترو پري آهن. صاف پرنٽ ٿيل فارمن لاءِ 1,000-5,000 ان-ڊومين نمونن جي ضرورت ٿي سگهي ٿي، جڏهن ته گندي هٿ لکڻ، رسيدون، يا نادر اسڪرپٽ کي اڪثر 10,000-50,000 جي ضرورت هوندي آهي. شيپ جون اينوٽيشن پائپ لائنون عام طور تي صرف عوامي OCR ٽريننگ تي 15-30٪ درستگي لفٽ فراهم ڪن ٿيون.

ڇا توهان کي هي مضمون پسند آيو؟ وڌيڪ اپڊيٽ لاءِ لنڪڊ ان تي شيپ کي فالو ڪريو.

سماجي حصيداري