图像数据集是训练模型与测试模型必备的，一般而言收集到的数据是整个数据，会将整个数据划分成三个数据集，训练集，验证集以及测试集。
验证和测试的数据要确保特征分布和训练集接近，类别比例也是接近的，这样得到的准确率或者loss才真实。
在做ocr识别模型训练的时候，样本比较大，这时候有点疑惑该如何划分数据集，且数据集中较大比例是自动生成的数据。
方法- 一般而言，对于样本量是非常多的数据时候，可以按照7:3～9:1划分数据集。
- 但是对于几百万或千万级数据量而言，测试集样本不需要太多，只需要划分一定数量的数据作为验证集，划太多也没有意义，毕竟测试集的目的是验证其泛化性能。在pp-ocr文章中，1700w训练数据，测试样本1.7w张
另外对于混合自动生成的数据以及真实数据的情况，需要做一些样本均衡。保证一个batch中真实数据样本和合成数据样本的比例是1:1~1:3左右效果比较理想。如果合成数据过大，会过拟合到合成数据，预测效果往往不佳。
还有一种启发性的尝试是可以先用大量合成数据训练一个base模型，然后再用真实数据微调，在一些简单场景效果也是会有提升的。
参考- https://aistudio.baidu.com/paddle/forum/topic/show/974389
- https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.2/doc/doc_ch/FAQ.md#%E6%95%B0%E6%8D%AE%E9%9B%863
