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。