葡语OCR图片数据集

面向葡萄牙语的多场景OCR数据集，涵盖票据、富文本和自然场景文本识别。

3.6万条数据更新时间 2026-05-11

数据集简介

总图像35,748张，分为三类：票据类14,285张（电子票据11,285张，纸质票据3,000张），其他富文本18,463张（菜单、教材、问答、海报等），自然场景3,000张（路牌、广告牌）。数据来源于巴西、葡萄牙等葡语国家真实场景，可用于开发金融、商务、政务服务中的文档自动化处理系统。

数据质量

记录完整性

99.2%

记录时效性

按需更新

记录结构化

NDJSON、JSON、CSV、XLSX、Parquet，支持定制化

记录云交付

Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive

记录标准化

为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。

记录代表性

数据覆盖全量业务场景，样本均衡，具备行业代表性

需要定制更适合业务场景的数据集？

我们支持公开数据浏览、关键词筛选与企业级定制交付，帮助你更快完成模型训练与数据分析落地。