怎样收集用于训练的数据集（购物小票图片）？

[Henryable]

我想微调大模型用于从购物小票图片中提取购物信息，大概需要 2000-5000 张真实的购物小票，从网上爬取的样本比较少，想请教一下各位有没有成本较低、切实可行的方式收集数据集

[cooldong287671]

超市门口蹲着 或者 小票抽奖

[reoah2]

为啥不用 ocr ？ paddleocr 现在很牛逼了啊

[Henryable]

@cooldong287671 要收集的数量太多
@reoah2 paddleocr 只能提取文字，我希望得到结构化的数据，需要借助大模型的分析能力

[HENQIGUAI]

到小红书或者抖音买，不过获取方式确实不太方便

[HeyWeGo]

意思是要不同格式的小票吧

[Muniesa]

弄个问卷，审核通过发钱

[monkey110]

直接去超市买。有些人直接不要小票就走了，打印出来小票都直接留超市了。

[gy0624ww]

这种不用训练，我之前试过，OCR 出文本加大模型自己整理已经足够好了。
而且我用的 deepseek,小票本来就是格式化的数据

[Henryable]

@gy0624ww 直接将图片上传给现有的 deepseek 或者豆包等大模型是可以的，准确率和速度都可以，但我希望用自己电脑上的小型模型来做，我试过千问和 deepseek7B 左右的模型，速度很慢，准确率也低

[lefthand2006]

8 楼说的对，直接找便利店店员，让他给你收集小票，100 元酬劳应该就搞定，不要一次给

[gy0624ww]

@Henryable #9 都不用上传图片，多模态还贵，就用手机自带的 OCR 功能，解析出文本后给大模型，都能给你整理的好好的。 我调的 deepseek API 接口的。

[moudy]

直接找小票打印程序，然后自己生成小票呢？

[since2021]

写个小程序，小票票夹自动统计，数据就来了

[zhangli2946]

巧用幸存者偏差。

[BeautifulSoap]

说起来楼上有人说 ocr 效果好，但为什么我试过很多 ocr 效果都很差，而哪怕是 gpt mini 这些模型效果都很好😭
尤其 paddleocr 、deepseek ocr 这些，提取的数据几乎不可用，还有提取测试用的体检报告，体检报告中漏字少字、数字识别问题非常严重
难道是我嫌麻烦直接用的 huggingface 上的 oneline demo 导致的？

[Hconk]

小红书上搜小票，图片也不少，挨个爬一边，再掺点生成数据

[ion1ze]

找个做任务的平台，发布任务

[weixind]

闲鱼：小票打印机。