DocCreator

一键批量造带真值的文档图，OCR训练数据不用愁

开源 free 数据集
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 139
维护状态 活跃
是否开源 是
定价模式 free

项目预览

项目数据

分类数据集
开发团队DocCreator
所属国家
官网地址http://doc-creator.labri.fr
GitHubhttps://github.com/DocCreator/DocCreator
定价模式free
价格说明学术工具，官网提供使用，定价信息待确认
访问状态
是否开源是
开源协议LGPL-3.0
主要语言C++
技术栈/模型data-augmentation,degradation-model,diar,document-image,groundtruth,ocr
GitHub 星标★ 139
30天Star增速
HF 下载量
上线时间2017-10-20 00:00:00
代码更新—
仓库体积—
本站数据更新—
维护状态活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-10-18
浏览次数0

项目介绍

DocCreator 是 DIAR 团队开源的合成文档图像与真值（groundtruth）生成软件，用 C++ 实现，主要面向文档分析与 OCR 研究。它解决真实标注文档数据获取成本高、样本不足的问题：用户可基于已有文档图像或版面描述，批量生成带精确真值的合成文档图像，并通过内置多种退化模型（如噪声、模糊、几何形变、光照变化等）做数据增强，模拟扫描、拍照、传真等真实采集条件。核心能力包括合成图像与真值同步输出、可控退化参数、批量生成流程，适合训练和评测 OCR、版面分析、文本检测识别等模型，也便于构建可复现的基准数据集。项目年代较早，属于文档合成领域的经典工具之一。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

正在加载星标数据…

技术标签

使用教程

—

核心亮点

  • 合成图像与真值同步生成，标注精确无需人工标注
  • 内置多种退化模型，可模拟扫描、拍照、传真等真实采集条件
  • 支持批量生成，便于构建大规模训练集和可复现基准

不足之处

  • 项目年代较早，构建依赖和文档对新环境不够友好
  • 退化模型与生成流程相对固定，扩展自定义退化需改代码
  • 社区活跃度和维护频率有限，问题反馈响应待观察

适用场景

  • OCR 模型训练时扩充文档图像样本与对应真值
  • 文档版面分析/文本检测算法的合成数据评测
  • 构建可复现的文档图像退化基准数据集

替代项目

DocSynth、SynthText

上一篇：system-prompts-and-models-of-ai-tools

下一篇：没有了！

同类项目推荐

X-AnyLabeling 开源

一站式AI辅助标注，图像视频文本通吃，导出格式随心配

X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···

★ 10721 2026-08-10
aisheets 开源

像用表格一样批量调 AI，不写代码就能造和改数据集

Build, enrich, and transform datasets using AI models with no code

★ 1652 2026-09-20
DataGen 开源

用大模型一键生成定制化训练数据，告别数据荒

[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models

★ 69 2026-08-09
distilabel 开源

基于论文的合成数据流水线，快速生成高质量 AI 反馈数据。

Distilabel is a framework for synthetic data and AI feedback for engineers who need ···

★ 3422 2026-08-10