日本語の文書画像を扱うデータセットを探してみると、近代資料や古典籍のOCRデータは比較的充実している一方、レシートや業務帳票の公開データは多くありません。文書画像、正解テキスト、文字や項目の位置、文書の構造まで揃っているかも、データセットによって大きく異なります。

そこで、レシート・帳票のOCR、項目抽出、文書レイアウト解析、文書質問応答など、日本語の文書画像を読む研究で利用できるデータセットをまとめました。日本語データだけでは比較対象が限られる分野については、研究で参照される海外のデータセットも分けて掲載しています。

2026年9月13日確認
配布状況や利用条件は変わることがあります。実際に利用するときはリンク先の最新情報を確認してください。

日本語のレシート・帳票・フォームデータ

レシートや帳票では、文字を読むだけでなく、店舗名、日付、商品名、金額などの項目を見分け、互いの関係を捉える必要があります。日本語を含む公開データは、現時点では小規模なものが中心です。

日本語文書のOCR・レイアウト解析データ

日本語OCRの公開データは、国立国会図書館のデジタル化資料や歴史的文書を基にしたものが多く、縦書き、旧字体、図版、表、ルビなどを扱える点に特徴があります。

日本語の文書質問応答・VLM評価データ

最近は、文書内の文字を正しく読むだけでなく、表や図を含むページを理解して質問に答えられるかを評価するデータも公開されています。

海外のレシート・帳票データセット

日本語ではなくても、レシートや請求書にどの項目を付け、どの形式で公開するかを考える際に参考になります。日本の消費税表記、商品名、店舗情報などは異なるため、そのまま日本語レシート用の学習データになるわけではありません。

海外の文書レイアウト・文書質問応答データセット

日本語の実務文書データはまだ少ない

一覧にしてみると、日本語OCRのデータは古い書籍や古典籍、文字単位の認識では蓄積があります。一方、日常の業務で扱うレシート、領収書、請求書、申込書などについて、実際の画像と正解テキスト、位置座標、項目ラベルまで揃った公開データは限られていました。

特に日本のレシートには、内税・外税・軽減税率、値引き、ポイント、複数の決済方法、店舗ごとに異なる略称などがあります。海外のレシートデータはラベル設計の参考になりますが、日本語や日本の商習慣をそのまま補えるものではありません。

公開データで足りない場合は新しく作る

研究対象に合う公開データがなければ、画像の収集から、文字起こし、バウンディングボックス、店舗名・日付・商品名・金額などの項目ラベルまで、新たに作る必要があります。最終的にOCRだけを評価するのか、明細の構造や項目間の関係まで評価するのかによって、必要なアノテーションも変わります。

株式会社イングクラウドでは、全国の参加者からの画像収集、個人情報の確認・マスキング、OCR結果の人手修正、文書画像へのアノテーションなどに対応しています。研究に必要なデータの集め方や作業仕様が固まっていない段階でも、研究支援サービスからご相談いただけます。

日本語レシートOCRのサンプルデータを準備しています

株式会社イングクラウドでも、日本国内のレシート画像に文字起こしと項目ラベルを付けたサンプルデータを準備しています。公開後は、画像だけでなく、どの項目をどの形式でアノテーションしたかまで確認できる形で案内する予定です。