---
license: cc-by-nc-sa-4.0
task_categories:
- feature-extraction
language:
- en
- zh
tags:
- OCR
- zh-tw
- Taiwan
- R.O.C
size_categories:
- 100M<n<1B
---

# Dataset Card for tw-OCR

<!-- Provide a quick summary of the dataset. -->

![image/png](https://cdn-uploads.huggingface.co/production/uploads/618dc56cbc345ca7bf95f3cd/NF3xUJNVDXogLpksDQCYM.png)

一個專注於繁體中文光學字元辨識（OCR）任務的資料集，涵蓋台灣常見的文件與應用情境，適合用於 OCR 模型的訓練與評估。

## Dataset Details

### Dataset Description

<!-- Provide a longer summary of what this dataset is. -->
tw-OCR 是一個以繁體中文為核心的 OCR 資料集，收錄多種真實文件圖像與標註文字，內容來自台灣常見的日常文件，如表單、公告、公文、學術資料等，涵蓋多樣字型、解析度與雜訊條件，適用於訓練與評估光學字元辨識模型。

- **Curated by:** [Huang Liang Hsun](https://www.linkedin.com/in/lianghsunhuang/?locale=en_US)
- **Funded by:** [Twinkle AI](https://huggingface.co/twinkle-ai)
- **Shared by:** [Twinkle AI](https://huggingface.co/twinkle-ai)
- **Language(s) (NLP):** Tranditional Chinese (zh-tw)
- **License:** CC BY-SA 4.0

### Dataset Sources

<!-- Provide the basic links for the dataset. -->

- **Repository:** [lianghsun/tw-OCR](https://huggingface.co/datasets/tw-llm/tw-OCR)

## Uses

<!-- Address questions around how the dataset is intended to be used. -->

### Direct Use

<!-- This section describes suitable use cases for the dataset. -->
可用於訓練繁體中文 OCR 模型、進行泛化測試、比對不同架構間效能，特別適合用於台灣的實際應用情境。

### Out-of-Scope Use

<!-- This section addresses misuse, malicious use, and uses that the dataset will not work well for. -->
- 不適用於手寫文字辨識
- 不適合用於簡體中文或非中文語系
- 不適用於版面理解（如表格辨識、文件結構抽取）

## Dataset Structure

<!-- This section provides a description of the dataset fields, and additional information about the dataset structure such as criteria used to create the splits, relationships between data points, etc. -->
每筆資料包含以下欄位：
- `image`: 含有繁體中文字的圖像檔（PNG/JPG）
- `text`: 對應標註文字（UTF-8 編碼）
- `meta`（可選）：記錄來源類型（掃描/攝影）、字型、雜訊等資訊

## Dataset Creation

### Curation Rationale

<!-- Motivation for the creation of this dataset. -->
開源的繁體中文 OCR 資料資源有限，tw-OCR 的設計目標是提供可供學術研究與工程實作使用的標準資料集，強調貼近台灣日常應用。

### Source Data

<!-- This section describes the source data (e.g. news text and headlines, social media posts, translated sentences, ...). -->

#### Data Collection and Processing

<!-- This section describes the data collection and processing process such as data selection criteria, filtering and normalization methods, tools and libraries used, etc. -->
資料來源包含公眾領域文件、合成樣本（使用台灣常見字型產生），以及實地拍攝公共場域中的標語與資訊。預處理使用 OpenCV 與 PIL，包括影像裁切、色彩校正與雜訊模擬。

#### Who are the source data producers?

<!-- This section describes the people or systems who originally created the data. It should also include self-reported demographic or identity information for the source data creators if this information is available. -->
資料內容由政府機構、學術出版物與由開發者根據實際環境生成的合成圖像組成，不包含個人創作或具識別性內容。

## Bias, Risks, and Limitations

<!-- This section is meant to convey both technical and sociotechnical limitations. -->

- 尚未涵蓋直書或旋轉文字格式
- 特定環境（如強反光、極低解析度）資料比例較少
- 聚焦於台灣文字與排版風格，不保證能泛化至其他繁體中文使用地區（如香港、澳門）

### Recommendations

<!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. -->
建議使用者依實際應用場景進行模型微調。對於特殊字型、模糊影像或不規則版面應額外蒐集樣本做補強。

## Citation

<!-- If there is a paper or blog post introducing the dataset, the APA and Bibtex information for that should go in this section. -->
如果你有引用本資料集，請加註：
```bibtex
@misc{twocr2025,
  title={tw-OCR: A Community Dataset for Traditional Chinese OCR},
  author={Huang, Liang Hsun},
  year={2025},
  howpublished={\url{https://huggingface.co/datasets/tw-llm/tw-OCR}},
}
```

## Dataset Card Authors

[Huang Liang Hsun](https://www.linkedin.com/in/lianghsunhuang/?locale=en_US)

## Dataset Card Contact

[Huang Liang Hsun](https://www.linkedin.com/in/lianghsunhuang/?locale=en_US)