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.
1255 fichiers PDF, reçus scannés avec texte OCRisé partiellement
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
🧠 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.




