Chinese Text in the Wild est un vaste ensemble de données créé à partir de texte contenu dans des images naturelles. Cet ensemble de données contient 32 285 images avec 1 018 402 caractères chinois, dépassant de loin les ensembles de données précédents. Ces images proviennent de Tencent Street View et sont obtenues à partir de dizaines de villes différentes en Chine sans aucun but particulier.

Cet ensemble de données est extrêmement difficile en raison de sa diversité et de sa complexité. Il contient du texte plat, du texte en relief, du texte urbain, du texte rural, du texte à faible luminosité, du texte distant, du texte partiellement occulté, etc.

Pour chaque image, tous les caractères chinois sont annotés par des experts. Pour chaque caractère chinois, l'ensemble de données annote son caractère sous-jacent, son cadre de délimitation et 6 attributs pour indiquer s'il est occlus, a un arrière-plan complexe, est déformé, est un texte 3D, est artistique et est manuscrit.