한글 OCR 합성데이터 구현 정리 Oct 15, 2026 · @신영진 한글 OCR 인식률의 1순위 레버인 합성 데이터 단계를 “잘 만든 오픈 구현” 기준으로 정리. 특히 네이버 Clova 계열(SynthTIGER·SynthDoG)이 한글에 강하다. 1. 합성 생성 엔진 한글 OCR이면 SynthTIGER 를 1순위로 본다 — 네이버 Clova 공개, 한글 코퍼스·폰트를 그대로 물리고 인식 학습용 LMDB까지 바로 나온다. 도구 역할 강점 / 언제 SynthTIGER (clovaai) 모듈형 합성 텍스트 이미지 생성 (ICDAR 2021) 글자/모양/텍스처/효과 레이어로 사실적 열화. 다국어 — 한글 기본 추천 TRDG (Belval) 단어 단위 빠른 합성 폰트·사전·왜곡 간단 설정. 프로토타입·소도메인 text_renderer (Sanster) 설정 기반 렌더러 CJK·세로쓰기 지원, 효과 풍부, 코퍼스 주입형 SynthText / UnrealText 장면 텍스트(간판·현수막) 표면·조명·원근 사실적 배치. 카메라 촬영 타깃 TextDiffuser·GlyphControl 디퓨전 글자 생성(프런티어) 어려운 배경·사실감. 한글 글리프 조건화는 아직 손이 감 당장은 SynthTIGER가 실전 workhorse. 디퓨전 계열은 사실감이 필요한 난이도 높은 배경에 보조로. 2. 열화·증강 라이브러리 STRAug (roatienza/straug) — 텍스트 인식 전용 36종 증강(warp·geometry·noise·blur·weather·camera·pattern). "실데이터만 써도 되나" 라인에서 나왔어 인식 정확도에 바로 듣는 증강 세트 . 합성·실데이터 양쪽에 적용. albumentations / imgaug — 범용. JPEG 열화·모션블러·그림자·원근 변환 조합. 생성 엔진(SynthTIGER 등)의 내장 효과로 1차 열화를 주고, STRAug로 2차 증강을 얹는 조합이 무난하다. 3. 실제 분포 코퍼스 생성기(SynthTIGER·TRDG·text_renderer)는 전부 코퍼스 파일을 입력 으로 받는다. 여기 실제 분포를 넣는 게 핵심: 모두의 말뭉치 (국립국어원), AI Hub 텍스트 코퍼스 , 위키/나무위키 덤프 , KorQuAD , 뉴스 크롤 → 글자·바이그램 빈도가 실제와 맞음. 숫자·영문·한자·기호·띄어쓰기 를 코퍼스에 섮어 혼용 라인을 재현. 코퍼스가 실제 텍스트와 가까울수록 생성 이미지의 글자 분포가 운영 환경과 일치해 인식률이 오른다. 4. 폰트 소스 눈누 (noonnu.cc) — 상업용 무료 한글 폰트 집합(수백 종, 명조/고딕/손글씨/디자인). 라이선스 확인 쉽음. 나눔·네이버·배민 폰트·구글 한국어 서브셋 — 폰트 다양성 확보. 손글씨 인식이 타깃이면 손글씨 폰트 비중을 키운다. 폰트 수가 곧 일반화 성능이다 — 수백 종을 모아 크기·자간·굵기까지 바꿔가며 렌더한다. 5. 실데이터 앵커 & 양식 특화 AI Hub(NIA) 한글 OCR 세트 — 한국어 글자체, 야외 실촬영 한글, 공공행정문서 OCR, 다양한 형태의 한글, 금융/의료 문서, 손글씨 등. 합성으로 학습 → 실데이터로 파인튜닝/검증 이 정석. SynthDoG (clovaai/donut 포함) — 양식·영수증·문서 타깃이면 이것. 합성 “문서” 이미지를 레이아웃까지 생성(한·중·일·영). Donut(OCR-free 문서 이해) 사전학습용. 장면 텍스트 벤치마크: ICDAR MLT (다국어, 한글 포함), KAIST Scene Text . 실데이터는 양이 적어도 도메인 앵커 로 쓴다 — 합성의 도메인 갭을 실제 분포에 맞추는 기준점.