??初步了解tsv文件
? ? ? ? 在很多 OCR（光學字符識別）項目中，.tsv文件是標準的訓練數據標注文件，主要用于存儲 “圖像路徑 - 對應文本標簽” 的映射關系，同時可能包含圖像尺寸、文本長度等輔助信息，方便模型讀取訓練數據并建立 “視覺特征→文本內容” 的映射。其核心作用是解決 OCR 訓練中 “數據（圖像）” 與 “標簽（文本）” 的關聯問題，兼容大多數深度學習框架（如 PyTorch、TensorFlow）的數據加載邏輯。
1. 基礎版格式（最常用）
????????僅包含 “圖像路徑” 和 “文本標簽” 兩個核心字段，滿足絕大多數 OCR 訓練需求（如文字檢測、文本識別任務）。
| 字段順序 | 字段名稱 | 字段說明 | 示例 |
|---|---|---|---|
| 1 | image_path | OCR 訓練圖像的相對路徑（推薦，避免絕對路徑導致的環境適配問題） | data/train/001.jpg |
| 2 | text_label | 圖像中文字的真實標注文本（需與圖像內容完全一致，空文本用""或null） | 生產日期合格出廠 |
- 基礎版示例（用文本編輯器打開的原始內容）：
image_path text_label
data/train/001.jpg 智能化機器視覺技術
data/train/002.jpg 2024 OCR Technology Workshop
data/train/003.jpg Hello, World!
data/train/004.jpg "" # 空文本（如無文字的空白圖像）2. 增強版格式（優化訓練效率）
????????在基礎版基礎上增加輔助字段，用于過濾異常數據、調整訓練策略（如忽略短文本、適配不同尺寸圖像），常見于復雜 OCR 場景（如多語言 OCR、不規則文本 OCR）。
| 字段順序 | 字段名稱 | 字段說明 | 示例 |
|---|---|---|---|
| 1 | image_path | 圖像相對路徑 | data/train/001.jpg |
| 2 | text_label | 真實標注文本 | 北京大學圖書館 |
| 3 | image_width | 圖像寬度（像素），用于過濾過小 / 過大圖像 | 640 |
| 4 | image_height | 圖像高度（像素），同上 | 320 |
| 5 | text_length | 文本標簽長度（字符數），用于過濾過短 / 過長文本（如單字符、超 100 字文本） | 6 |
| 6 | language | 文本語言類型（如zh中文、en英文、ja日文），用于多語言 OCR 訓練 | zh |
- 增強版示例（用文本編輯器打開的原始內容）：
image_path text_label image_width image_height text_length language
data/train/001.jpg 北京大學圖書館 640 320 6 zh
data/train/002.jpg 2024 OCR Technology Workshop 800 200 24 en
data/train/003.jpg こんにちは 480 180 5 ja
data/train/004.jpg "" 200 200 0 null- 格式注意事項
- 編碼格式：必須使用?UTF-8 編碼（避免中文、特殊字符亂碼，尤其是 Windows 系統默認的 GBK 編碼會導致標簽讀取錯誤）。
- 分隔符：嚴格使用單個制表符（
\t）?分隔字段，不可用空格、多個制表符或逗號替代。 - 空值處理：無文本的圖像（如背景圖），
text_label?用?""?或?null?填充，不可留空（避免字段錯位）。 - 路徑規范：優先使用相對路徑（如?
data/train/xxx.jpg），路徑中避免含空格或特殊字符（如#、&），可將空格替換為_。 表頭可選：若框架要求無表頭（如部分自定義數據加載器），可刪除第一行表頭，但需確保字段順序固定且與代碼讀取邏輯一致。
3.有些特殊要求：
????????有些OCR軟件，對tsv文件有特殊要求，比如cnocr，要求第一行沒有表頭，文本標簽的每個字符用空格隔開，空格字符用<space>代替。
例如，helloworld.jpg：
其tsv文件的內容：
