Dataset de recibos para OCR
Conjunto de datos compuesto por recibos escaneados de viajes de negocios, disponible en formato PDF. Se utiliza principalmente para entrenar sistemas de OCR o probar la extracción de datos textuales en documentos reales.
1255 archivos PDF, recibos escaneados con texto parcialmente resumido
CC0: Dominio público
Descripción
Este conjunto de datos contiene 1255 recibos escaneados en formato PDF, recopilados durante viajes de negocios. La mayoría de los documentos se escanearon con una herramienta de OCR, lo que permite tener archivos con texto incrustado o reconocible. Este corpus es útil para experimentar en torno a la extracción automática de texto de documentos reales (OCR).
¿Para qué sirve este conjunto de datos?
- Entrene modelos de OCR para detectar y leer recibos comerciales
- Algoritmos de extracción de entidades de prueba (cantidad, fecha, proveedor)
- Desarrolle soluciones para procesar documentos PDF semiestructurados
¿Se puede enriquecer o mejorar?
Sí, es posible segmentar los documentos según su tipo o idioma, o anotarlos manualmente (por ejemplo, campos de importe, impuestos, etc.). Añadir versiones de OCR sin procesar (archivos TXT extraídos) mejoraría su valor para la formación supervisada.
🔎 En resumen
🧠 Recomendado para
- programadores de OCR
- Investigadores documentales de PNL
- Herramientas de contabilidad automatizadas
🔧 Herramientas compatibles
- Tesseract
- LayoutLM
- DocTR
- PaddleOCR
💡 Consejo
Combine archivos PDF con un paso de OCR automático (Tesseract u otro) para crear corpus con anotaciones de texto.
Preguntas frecuentes
¿Los documentos ya están procesados?
En parte sí, algunos recibos contienen texto en voz alta. Para otros, se puede aplicar un OCR externo.
¿Se puede usar este conjunto de datos para entrenar un modelo de clasificación de documentos?
Sí, añadiendo etiquetas (tipo de recibo, país, proveedor), es posible convertirlo en un juego de entrenamiento estructurado.
¿Qué formato de salida se recomienda después del procesamiento?
Se recomienda extraer el texto de OCrisé en formato JSON o CSV, con campos estandarizados como fecha, total, IVA, etc.




