初步了解tsv文件
在很多 OCR（光学字符识别）项目中，.tsv文件是标准的训练数据标注文件，主要用于存储 “图像路径 - 对应文本标签” 的映射关系，同时可能包含图像尺寸、文本长度等辅助信息，方便模型读取训练数据并建立 “视觉特征→文本内容” 的映射。其核心作用是解决 OCR 训练中 “数据（图像）” 与 “标签（文本）” 的关联问题，兼容大多数深度学习框架（如 PyTorch、TensorFlow）的数据加载逻辑。
1. 基础版格式（最常用）
仅包含 “图像路径” 和 “文本标签” 两个核心字段，满足绝大多数 OCR 训练需求（如文字检测、文本识别任务）。
| 字段顺序 | 字段名称 | 字段说明 | 示例 |
|---|---|---|---|
| 1 | image_path | OCR 训练图像的相对路径（推荐，避免绝对路径导致的环境适配问题） | data/train/001.jpg |
| 2 | text_label | 图像中文字的真实标注文本（需与图像内容完全一致，空文本用""或null） | 生产日期合格出厂 |
- 基础版示例（用文本编辑器打开的原始内容）：
image_path text_label
data/train/001.jpg 智能化机器视觉技术
data/train/002.jpg 2024 OCR Technology Workshop
data/train/003.jpg Hello, World!
data/train/004.jpg "" # 空文本（如无文字的空白图像）2. 增强版格式（优化训练效率）
在基础版基础上增加辅助字段，用于过滤异常数据、调整训练策略（如忽略短文本、适配不同尺寸图像），常见于复杂 OCR 场景（如多语言 OCR、不规则文本 OCR）。
| 字段顺序 | 字段名称 | 字段说明 | 示例 |
|---|---|---|---|
| 1 | image_path | 图像相对路径 | data/train/001.jpg |
| 2 | text_label | 真实标注文本 | 北京大学图书馆 |
| 3 | image_width | 图像宽度（像素），用于过滤过小 / 过大图像 | 640 |
| 4 | image_height | 图像高度（像素），同上 | 320 |
| 5 | text_length | 文本标签长度（字符数），用于过滤过短 / 过长文本（如单字符、超 100 字文本） | 6 |
| 6 | language | 文本语言类型（如zh中文、en英文、ja日文），用于多语言 OCR 训练 | zh |
- 增强版示例（用文本编辑器打开的原始内容）：
image_path text_label image_width image_height text_length language
data/train/001.jpg 北京大学图书馆 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- 格式注意事项
- 编码格式：必须使用 UTF-8 编码（避免中文、特殊字符乱码，尤其是 Windows 系统默认的 GBK 编码会导致标签读取错误）。
- 分隔符：严格使用单个制表符（
\t） 分隔字段，不可用空格、多个制表符或逗号替代。 - 空值处理：无文本的图像（如背景图），
text_label用""或null填充，不可留空（避免字段错位）。 - 路径规范：优先使用相对路径（如
data/train/xxx.jpg），路径中避免含空格或特殊字符（如#、&），可将空格替换为_。 表头可选：若框架要求无表头（如部分自定义数据加载器），可删除第一行表头，但需确保字段顺序固定且与代码读取逻辑一致。
3.有些特殊要求：
有些OCR软件，对tsv文件有特殊要求，比如cnocr，要求第一行没有表头，文本标签的每个字符用空格隔开，空格字符用<space>代替。
例如，helloworld.jpg：
其tsv文件的内容：
