實用OCR數據集，近期梳理了OCR的數據集，參見如下，供大家參考使用。
共45w中文街景圖像，包含5w（2w測試+3w訓練）全標注數據（文本坐標+文本內容），40w弱標注數據（僅文本內容）.
下載地址：https://ai.baidu.com/broad/download%3Fdataset%3Dlsvt
共包含12,000+圖像，大部分圖片是通過手機攝像頭在野外采集的。有些是截圖。這些圖片展示了各種各樣的場景，包括街景、海報、菜單、室內場景和手機應用程序的截圖。
下載地址：https://rctw.vlrlab.net/dataset/
共包括29萬張圖片，其中21萬張圖片作為訓練集（帶標注），8萬張作為測試集（無標注）。數據集采自中國街景，并由街景圖片中的文字行區域（例如店鋪標牌、地標等等）截取出來而形成。所有圖像都經過一些預處理，將文字區域利用仿射變化，等比映射為一張高為48像素的圖片。
下載地址：https://aistudio.baidu.com/aistudio/datasetdetail/8429
共約364萬張圖片，按照99:1劃分成訓練集和驗證集。數據利用中文語料庫（新聞 + 文言文），通過字體、大小、灰度、模糊、透視、拉伸等變化隨機生成。包含漢字、英文字母、數字和標點共5990個字符（字符集合：https://github.com/YCG09/chinese_ocr/blob/master/train/char_std_5990.txt ） 每個樣本固定10個字符，字符隨機截取自語料庫中的句子；圖片分辨率統一為280x32
下載地址：https://github.com/YCG09/chinese_ocr
https://pan.baidu.com/s/1QkI7kjah8SPHwOQ40rS1Pw（密碼：lu7m）
共包含10,166張圖像，訓練集5603圖，測試集4563圖。由Total-Text、SCUT-CTW1500、Baidu Curved Scene Text三部分組成，包含水平、多方向和彎曲等多種形狀的文本。
下載地址;https://ai.baidu.com/broad/download%3Fdataset%3Dart
360萬中文數據集：https://pan.baidu.com/s/1ufYbnZAZ1q0AlK7yZ08cvQ 訓練之前首先制作數據集，因為360萬的中文數據集制作成lmdb格式的數據有十幾G。
包含32285張圖像，1018402個中文字符(來自于騰訊街景), 包含平面文本，凸起文本，城市文本，農村文本，低亮度文本，遠處文本，部分遮擋文本。圖像大小2048*2048，數據集大小為31GB。以(8:1:1)的比例將數據集分為訓練集(25887張圖像，812872個漢字)，測試集(3269張圖像，103519個漢字)，驗證集(3129張圖像，103519個漢字)。參考：https://github.com/xiaofengShi/CHINESE-OCR
▲源自百度圖庫
簡單解釋：
清晰度比較
TS<R5、DVDscr<DVDRIP<480P<BDRIP<720P<1080P
下載高清影片，經常會有一個后綴名為*.nfo的文件，很多人不知道是什么，所以把它當LJ直接給刪掉了！其實，NFO文件只是記錄了影片制作者在制作該片時的各項數據信息，刪與不刪并不影響大家對影片的欣賞！但是，如果懂得如何看這些信息，那么對一部電影的清晰度、音效、容量大小、發布日期等等就一目了然，這樣就可以根據信息來決定是否值得一下了！目前，在國內寬帶條件普遍還不是很理想的情況下，這個NFO文件可就派大用場了！現在國內大多數的電影論壇里，缺少NFO的影片是不允許上傳的！
Title: 影片的英文名稱；
Release Group: 壓制該片的組織名稱；
Ripper: 該片的壓縮制作者，就是我常說的“鴉片員”；
Release Date: 壓制該片的日期，通常格式為 “月/日/年”；
DVD Retail Date: 該片的DVD版本的發行日期，格式為“月/日/年”；
Video Format: 壓縮編碼方式，XviD是目前DVDRip最流行的編碼，之前有DivX-)3.11 和 DivX 5.X；
Video Bitrate: 視頻流碼，數字越大則影片圖象質量相對越好！普通DVDRip在700K以上，而RMVB則只有450K，RM則大 部分到不了400K；
Aspect Ratio: 畫面的長寬比，一般2.35：1或1.85：1指的是16：9，而4：3則為全屏；
Resolution: 畫面的分辨率；
Audio Format: 音頻編碼格式，效果依次為 DTS > AC3 > MP3 ；
Audio Bitrate: 和視頻流碼一樣，數字越大表示音效越好；
DVD Runtime: 影片播放時間，格式為“時：分：秒”；
Frame Rate: 畫面每秒的貞數；
Language: 影片對白語言；
Subtitle(s): 外掛字幕的語種；
***enre: 影片制式；
Archives: 影片的容量大小及分包的數量，一般標準格式為 1CD=14.3M x 50 ；
IMDB Rating: 世界上最權威的電影數據庫IMDB對該片的評分，相當一部分電影網站不允許上傳低于4.5分的影片；
PROPER---> 完美版
DUPE--->與別的組織Release有重復
UNRATE--->未刪節(好)
EXTENDED--->加長版
R-RATE--->有刪節(不好)
WS --->寬銀幕版本的影片
FS--->4：3 全熒幕版本的影片（有些影片DVD中同時有WS和FS兩種版本，Rip出來就要有兩種Release）
Bad IVTC --->畫面有不可去處的拉絲(不好的版本)
Bad Aspt --->畫面比例不正常(不好的版本)
LIMITED --->指在美國有限上映的片子，很多外國片都這樣
WITH EXTRAS--->帶花絮
INTERLACED--->隔行(可看見橫的掃瞄線)
NUKED---> 畫質太差，被FTP的管理員廢掉
SUBED --->內嵌硬字幕(畫面內不能消去)
CAM---> 攝影機拍影院銀幕，帶有影院音響(夾帶觀眾笑聲，不好)
Telesync, TS--->攝像機拍影院銀幕，從影院放映機直接接線輸出
Telecine, TC---> 膠版，直接轉電影拷貝，轉電影拷貝
DVD SCREENER --->用于觀摩或展示的DVD
SCREENER, SCR --->用于觀摩或展示錄影帶
WORKPRINT,WP--->工作錄影帶（導演剪接版，與發行版不同 )
Director Cut --->導演剪接版
TDX---> 傳統DivX制作規則，不符合規則就不會被接受或被NUKE
INTERNAL--->不太符合TDX標準的作品，一些是自己做著玩，還有一些是那組織認為依照TDX無法做到滿意的質量，但不依照TDX做又會被NUKE，所以只好INTERNAL，有些比較值得收藏。
STV--->指沒有也不會有美國影院公映這部片，或者是在影院放映前已經在電視上放過
OST---> 原聲大碟
文件名中我們常會見到如下的字眼：
H.264
H.264是由國際電信聯盟（ITU-T）所制定的新一代的視頻壓縮格式。H.264最具價值的部分無疑是更高的數據壓縮比。在同等的圖像質量條件下，H.264的數據壓縮比能比當前DVD系統中使用的 MPEG-2高2-3倍，比MPEG-4高1.5-2倍。正因為如此，經過H.264壓縮的視頻數據，在網絡傳輸過程中所需要的帶寬更少，也更加經濟。在 MPEG-2需要6Mbps的傳輸速率匹配時，H.264只需要1Mbps-2Mbps的傳輸速率。與MPEG-4一樣，經過H.264壓縮的視頻文件一般也是采用.avi 作為其后綴名，同樣不容易辨認，只能通過解碼器來自己識別。
x264
x264是一個基于h.264的免費開源的視頻Codec，屬于后起之秀，已經受到眾多Riper的青睞，但是與Xvid相比，其在解碼時對硬件的要求更高。
DivX
DivX 是一項由 DivXNetworks公司發明的，類似于MP3的數字多媒體壓縮技術。DivX基于MPEG-4標準，可以把MPEG-2格式的多媒體文件壓縮至原來的10%,更可把VHS格式錄像帶格式的文件壓至原來的1%。通過 DSL或cable Moden等寬帶設備，它可以讓你欣賞全屏的高質量數字電影。無論是聲音還是畫質都可以和DVD相媲美。同時它還允許在其他設備（如安有機頂盒的電視、PocketPC）上觀看。由于Divx后來轉為了商業軟件，其發展受到了很大限制，表現相對欠佳，在競爭中處于了劣勢。今年6月，DivXNetworks公司推出了最新的Divx6，有一定提高。CHD新近制作的一部分HDrip就采用了這一最新的編碼技術。
Xvid
XviD是一個開放源碼的MPEG-4 多媒體解碼器，它是基于OpenDivX而編寫的。XviD是由一群原OpenDivX義務開發者在OpenDivX于2001年7月停止開發后自行開發的。XviD支持多種編碼模式，量化 (Quantization) 方式和范圍控，運動偵測 (Motion Search) 和曲線平衡分配 (Curve)，動態關鍵幀距 (I-frame interval)，心理視覺亮度修正，演職員表選項，外部自定義控制，運動向量加速 (Hinted Me) 編碼，畫面優化解碼等眾多編碼技術，對用戶來說功能十分強大。這也是目前被Riper使用最為廣泛的編碼技術。
BD的概念
BD是Blue Disk的簡稱，翻譯成中文是“藍光影碟”的意思。DVD的激光頭現在用的是橙紅色,蘭光的波長更小,也就是在碟片上的聚焦點更小,這樣就能把更多的數據儲存在同樣大小的碟片上,這就是藍光的基本原理了,一張碟片好像是能儲存50G的內容。
藍光影碟機是用藍色激光讀取盤上的文件。因藍光波長較短，可以讀取密度更大的光盤。那么藍光為什么可以讀寫密度更大的光盤呢？這要從激光談起：讀寫用的激光，是一種十分精確的光，精確到極限，就是光波長的一般，由于紅光波長有700納米，而藍光只有400納米，所以藍激光實際上可以更精確一點，能夠讀寫一個只有200nm的點，而相比之下，紅色激光只能讀寫350nm的點，所以同樣的一張光盤，點多了，記錄的信息自然也就多了。
Blue-Ray Disk是藍光盤,是DVD的下一代的標準之一,主導者為索尼與東芝,以索尼、松下、飛利浦為核心，又得到先鋒、日立、三星、LG等巨頭的鼎力支持。存儲原理為溝槽記錄方式，采用傳統的溝槽進行記錄，然而通過更加先進的抖顫尋址實現了對更大容量的存儲與數據管理，目前已經達到驚世駭俗的100GB。與傳統的CD或是DVD存儲形式相比，BD光盤顯然帶來更好的反射率與存儲密度，這是其實現容量突破的關鍵。
藍光光盤的直徑為12cm，和普通光盤（CD）及數碼光盤（DVD）的尺寸一樣。這種光盤利用405n藍色激光在單面單層光盤上可以錄制、播放長達27GB的視頻數據，比現有的DVD的容量大5倍以上（DVD的容量一般為4．7GB），可錄制13小時普通電視節目或2小時高清晰度電視節目。藍光光盤采用MPEG-2壓縮技術。
?HD和HDRip
HDRIP的概念：HDRip 是HDTVRip的縮寫，是用DivX/XviD/x264等MPEG4壓縮技術對HDTV的視頻圖像進行高質量壓縮,然后將視頻、音頻部分封裝成一個.avi或.mkv文件，最后再加上外掛的字幕文件而形成的視頻格式。實際上是對HDTV的2次壓縮，將原來的MPEG2編碼重編碼為MPEG4編碼。制作的HDRIP遵循嚴格的制作標準，盡力在文件大小和畫質之間取得最佳平衡點（通常控制在一部電影4.2GB左右，正好相當于一張DVD-R的容量，以便保存）。
HDTV的概念：HDTV即High-Definition TV ，高清晰數字電視。這個概念其實可以非常簡單地表達出來。所謂“數字”，是相對于原來的“模擬”而言，是指拍攝、編輯、制作、傳輸、接收等全過程都使用數字技術的電視系統。所謂“高清晰”，則是相對于“標清”（標準清晰度,SDTV）而言。什么才算“高清晰”呢，目前就是三種模式：
1、1280×720(非交錯式，場頻為24、30或60)，也即我們平常說的720P。
2、1920×1080(交錯式，場頻60)，也即我們平常說的1080I。
3、1920×1080(非交錯式，場頻為24或30)，也即我們平常說的1080P。
DVD也是采用MPEG2進行視頻壓縮的，但這并不意味著能播放DVD的軟件就可以播放HDTV。因為DVD采用的MPEG2-PS格式，即MPEG2 Program Stream，主要用來存儲固定時長的節目。而HDTV采用的是MPEG2-TS格式，即MPEG2 Transport Stream，是一種視頻流格式，主要用于實時傳送節目。因此，要播放HDTV視頻源，不僅需要播放器有MPEG2-TS解碼器，而且還必須有專門的HDTV分離器。從網上下載的HDTV文件，許多是帶.tp或.ts擴展名的，要播放它們，首先必須有一個支持MPEG2-TS格式的分離器(Splitter Filter)。分離器的作用就是識別文件真正的格式，將其中的視頻流、音頻流數據分離出來，并發送給解碼器進行解碼處理。盡管DirectX里提供了MPEG2格式分離器，但DirectX8以上的版本已取消了對TS流的支持，因此必須另外安裝HDTV格式分離器方可。
1.REMUX：提取原版Blu-ray和HDDVD視頻進行無損封裝，TS/AVI視頻部分不重編碼，音頻一般采用原片音軌，可能采用DVD提取的國粵語和其他音軌；
2.VC1/H264toMPEG2：對原版Blu-ray和HDDVD視頻進行重編碼，在保證畫質前提下造福廣大機器低端配置的高清發燒友，音頻部分一般采用原片音軌，可能采用DVD提取的國粵語和其他音軌；
3.HDRIP-1080p：對原版Blu-ray和HDDVD視頻進行重編碼，編碼形式采用X264/VC1，容量一般為DVD9(8128M)和DVD5(4470M)的組合倍數，音頻采用原片音軌，可能采用DVD中提取的音軌和重編碼音軌；視頻分辨率一般采用1920X1080或者1920X800；
4.HDRIP-720p：對原版Blu-ray和HDDVD視頻進行重編碼，編碼形式采用X264/VC1/DivX，容量一般為DVD9(8128M)和DVD5(4470M)的組合倍數，音頻采用原片音軌，可能采用DVD中提取的音軌和重編碼音軌；視頻分辨率一般采用1280X720/688/544/536/528等;
5.HDRE-480p：對原版Blu-ray和HDDVD或者其他高清視頻進行重編碼，編碼形式采用X264，容量一般為DVD5(4470M)的二分之一或者三分之一，音頻采用AAC 5.1或者AC3 5.1；視頻分辨率一般采用848X480/360/352 等；