En cliquant sur "Accepter ", vous acceptez que des cookies soient stockés sur votre appareil afin d'améliorer la navigation sur le site, d'analyser son utilisation et de contribuer à nos efforts de marketing. Consultez notre politique de confidentialité pour plus d'informations.
Open Datasets
Dataset de Reçus Numérisés – OCR Documents
Image

Dataset de Reçus Numérisés – OCR Documents

Dataset composé de reçus scannés issus de déplacements professionnels, proposé au format PDF. Principalement utilisé pour entraîner des systèmes OCR ou tester l'extraction de données textuelles sur documents réels.

Télécharger le dataset
Taille

1255 fichiers PDF, reçus scannés avec texte OCRisé partiellement

Licence

CC0: Public Domain

Description

‍

Ce dataset contient 1255 reçus numérisés en format PDF, collectés lors de voyages professionnels. La majorité des documents ont été scannés via un outil d’OCR, permettant d’avoir des fichiers avec texte intégré ou reconnaissable. Ce corpus est utile pour des expérimentations autour de l’extraction automatique de texte sur documents réels (OCR).

‍

‍

À quoi sert ce dataset ?

‍

  • Entraîner des modèles OCR à détecter et lire des reçus commerciaux
  • Tester des algorithmes d’extraction d’entités (montant, date, fournisseur)
  • Développer des solutions de traitement de documents PDF semi-structurés

‍

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Oui, il est possible de segmenter les documents selon leur type ou leur langue, ou encore de les annoter manuellement (par exemple, zones de montants, taxes, etc.). L’ajout de versions OCR brutes (fichiers TXT extraits) améliorerait leur valeur pour l’entraînement supervisé.

‍

‍

🔎 En résumé

Critère Évaluation
🧩 Facilité d’utilisation⭐⭐⭐✩✩ (Facile à utiliser, mais nécessite post-traitement pour extraire le texte)
🧼 Besoin de nettoyage⭐⭐⭐⭐✩ (Modéré – certains fichiers peuvent ne pas être OCRisés correctement)
🏷️ Richesse des annotations⭐⭐✩✩✩ (Faible – pas d’annotations structurées intégrées)
📜 Licence commerciale✅ Oui (CC0)
👨‍💻 Idéal pour les débutants🌟 Adapté pour tester des modèles OCR simples
🔁 Réutilisable en fine-tuning🎯 Intéressant pour affiner des modèles d’extraction documentaire
🌍 Diversité culturelle⚠️ Limité – reçus majoritairement issus d’un même contexte

‍

‍

🧠 Recommandé pour

  • Développeurs OCR
  • Chercheurs en NLP documentaire
  • Outils comptables automatisés

‍

‍

🔧 Outils compatibles

  • Tesseract
  • LayoutLM
  • DocTR
  • PaddleOCR

‍

‍

💡 Astuce

Combine les PDF avec une étape d’OCR automatique (Tesseract ou autre) pour créer des corpus annotés textuellement.

Questions fréquemment posées

Les documents sont-ils déjà OCRisés ?

En partie oui, certains reçus contiennent du texte OCRisé. Pour les autres, un OCR externe peut être appliqué.

Peut-on utiliser ce dataset pour entraîner un modèle de classification de documents ?

Oui, en ajoutant des étiquettes (type de reçu, pays, fournisseur), il est possible d’en faire un jeu d’entraînement structuré.

Quel format de sortie est recommandé après traitement ?

Il est recommandé d’extraire le texte OCRisé au format JSON ou CSV, avec des champs normalisés comme date, total, TVA, etc.

Datasets similaires

Voir plus
Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.

Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.

Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.