nanxidajun/NuosuBburma-OCR-Evaluation-Set

NuosuBburma OCR Evaluation Set

规范彝文 OCR 评估集

用于规范彝文（NuosuBburma）的模型性能评估与错误分析。 内容涵盖纯彝文、彝汉混排及少量含拉丁字母的混排文本；场景覆盖书籍、手写、屏幕和实拍。 真实性声明：全部评估样本来自真实扫描或实际拍摄，不含合成评估数据。

评估任务

输入为单张包含规范彝文、彝汉混排及少量拉丁字母、数字或标点的图像。模型按照图像中的视觉阅读顺序转写可见文字，保留必要的行结构和原有字符，不进行翻译、改写或文本补全。评估重点是复杂版式、混排文字和真实拍摄干扰条件下的文字识别能力。

在线可视化

查看评估集分布与图像—标准答案对照

内容统计

[image]

图像类别

难度分类依据

低难度

结构较简单的文档区域样本。裁切范围集中，背景和版式干扰较少。

中难度

普通文档整页及结构较复杂的文档区域样本。包含多行文本或常规复杂版式，需要处理阅读顺序、段落结构及页面噪声。

高难度

标题封面及全部拍照样本，包括手写页拍照、屏幕拍照和真实场景拍照。图像中可能包含复杂背景、透视畸变、摩尔纹、反光、阴影、褶皱、污渍及图文混排等干扰。

数据文件

标注格式

每行一个 JSON 对象，包含 id、images、messages 和 meta；GT 位于唯一一条 assistant 消息中。

统计口径中，“文档页”对应 sample_type=page，“OCR 实例”对应 sample_type=region；图像获取方式由 scene 独立记录。

标注与质检

正式 GT 采用分级人工质检体系，模型输出只作为预标注和差异提示，不能自动覆盖人工结论：

1. 1.预标注——先用模型生成预标注，但不直接作为最终标准答案。
2. 2.多版本交叉检查——用多轮训练得到的不同模型版本产生识别结果，辅助发现潜在标注错误。
3. 3.字符级对齐高亮——通过字符级对齐工具高亮替换、漏字和多字位置，集中检查模型输出与当前标注的差异。
4. 4.首轮人工核查——项目负责人对照原始图片检查高亮出的差异并修正错误。
5. 5.母语者复核——将疑难、不确定或容易混淆的规范彝文样本交由熟悉规范彝文的母语者核查。
6. 6.人工裁决为准——最终标准答案由人工确认，以原图和人工判断为准。

在线可视化 提供图片与标准答案的逐条对照。

在人工质检之外，发布前对全部 1,030 条样本执行自动一致性审计：

评分与使用边界

本集所有评估输入均来自真实扫描或实际拍摄，用于 OCR 独立评估和错误分析，不作为训练数据。拍摄类图像由数据集制作者实际采集；书籍页面所涉及的原作品权利归相应权利人所有。图片和标注的公开使用须遵守相关权利要求及适用法律。