開源layoutlmv3-finetuned-wildreceipt模型 - 免費部署精準提取收據關鍵信息

Home

Layoutlmv3 Finetuned Wildreceipt

Developed by Theivaprakasham

基於LayoutLMv3-base模型在WildReceipt收據數據集上微調的版本，用於收據關鍵信息提取任務

文字識別

Transformers

#收據關鍵信息提取 #高精度OCR #文檔理解

Downloads 118

Release Time : 6/11/2022

Model Overview

該模型專門用於從收據圖像中提取結構化信息，能夠識別25個關鍵字段類別，如日期、金額、商家信息等

Model Features

高精度收據解析

在WildReceipt測試集上達到0.8785的F1值，能準確識別收據中的關鍵信息

多模態理解

結合文本和佈局信息進行聯合理解，提升對收據這類結構化文檔的處理能力

端到端訓練

直接從原始收據圖像進行端到端訓練，無需複雜的預處理流程

Model Capabilities

收據信息提取

文本實體識別

文檔佈局理解

結構化數據生成

Use Cases

財務自動化

費用報銷處理

自動從員工提交的收據中提取關鍵報銷信息

減少人工錄入錯誤，提高報銷處理效率

零售分析

消費數據分析

從大量收據中提取結構化消費數據用於商業分析

幫助商家瞭解消費模式和趨勢

🚀 layoutlmv3-finetuned-wildreceipt

本模型是 microsoft/layoutlmv3-base 在 wild_receipt 數據集上的微調版本。它在評估集上取得了以下成果：

損失率：0.3108
精確率：0.8772
召回率：0.8799
F1值：0.8785
準確率：0.9249

📚 詳細文檔

標籤與數據集

屬性	詳情
標籤	generated_from_trainer
數據集	wild_receipt
評估指標	精確率、召回率、F1值、準確率

模型評估結果

任務名稱	任務類型	數據集名稱	數據集類型	精確率	召回率	F1值	準確率
令牌分類	令牌分類	wild_receipt	wild_receipt	0.877212237618329	0.8798678959680749	0.8785380599065679	0.9249204782274871

訓練和評估數據

WildReceipt 數據集包含 1740 張收據圖像，涵蓋 25 個關鍵信息類別，總計約 69000 個文本框。其中，1268 張圖像用於訓練，472 張圖像用於測試，用於訓練 LayoutLMv3 模型進行關鍵信息提取。

訓練過程

訓練代碼：點擊查看

訓練超參數

學習率：1e-05
訓練批次大小：4
評估批次大小：4
隨機種子：42
優化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
學習率調度器類型：線性
訓練步數：4000

訓練結果

訓練損失	輪數	步數	驗證損失	精確率	召回率	F1值	準確率
無記錄	0.32	100	1.3143	0.6709	0.2679	0.3829	0.6700
無記錄	0.63	200	0.8814	0.6478	0.5195	0.5766	0.7786
無記錄	0.95	300	0.6568	0.7205	0.6491	0.6829	0.8303
無記錄	1.26	400	0.5618	0.7544	0.7072	0.7300	0.8519
1.0284	1.58	500	0.5003	0.7802	0.7566	0.7682	0.8687
1.0284	1.89	600	0.4454	0.7941	0.7679	0.7807	0.8748
1.0284	2.21	700	0.4314	0.8142	0.7928	0.8033	0.8852
1.0284	2.52	800	0.3870	0.8172	0.8200	0.8186	0.8953
1.0284	2.84	900	0.3629	0.8288	0.8369	0.8329	0.9025
0.4167	3.15	1000	0.3537	0.8540	0.8200	0.8366	0.9052
0.4167	3.47	1100	0.3383	0.8438	0.8285	0.8361	0.9063
0.4167	3.79	1200	0.3403	0.8297	0.8493	0.8394	0.9062
0.4167	4.1	1300	0.3271	0.8428	0.8545	0.8487	0.9110
0.4167	4.42	1400	0.3182	0.8491	0.8518	0.8504	0.9131
0.2766	4.73	1500	0.3111	0.8491	0.8539	0.8515	0.9129
0.2766	5.05	1600	0.3177	0.8397	0.8620	0.8507	0.9124
0.2766	5.36	1700	0.3091	0.8676	0.8548	0.8612	0.9191
0.2766	5.68	1800	0.3080	0.8508	0.8645	0.8576	0.9162
0.2766	5.99	1900	0.3059	0.8492	0.8662	0.8576	0.9163
0.2114	6.31	2000	0.3184	0.8536	0.8657	0.8596	0.9147
0.2114	6.62	2100	0.3161	0.8583	0.8713	0.8648	0.9184
0.2114	6.94	2200	0.3055	0.8707	0.8682	0.8694	0.9220
0.2114	7.26	2300	0.3004	0.8689	0.8745	0.8717	0.9219
0.2114	7.57	2400	0.3111	0.8701	0.8720	0.8711	0.9211
0.174	7.89	2500	0.3130	0.8599	0.8741	0.8669	0.9198
0.174	8.2	2600	0.3034	0.8661	0.8748	0.8704	0.9219
0.174	8.52	2700	0.3005	0.8799	0.8673	0.8736	0.9225
0.174	8.83	2800	0.3043	0.8687	0.8804	0.8745	0.9240
0.174	9.15	2900	0.3121	0.8776	0.8704	0.8740	0.9242
0.1412	9.46	3000	0.3131	0.8631	0.8755	0.8692	0.9204
0.1412	9.78	3100	0.3067	0.8715	0.8773	0.8744	0.9233
0.1412	10.09	3200	0.3021	0.8751	0.8812	0.8782	0.9248
0.1412	10.41	3300	0.3092	0.8651	0.8808	0.8729	0.9228
0.1412	10.73	3400	0.3084	0.8776	0.8749	0.8762	0.9237
0.1254	11.04	3500	0.3156	0.8738	0.8785	0.8761	0.9237
0.1254	11.36	3600	0.3131	0.8723	0.8818	0.8770	0.9244
0.1254	11.67	3700	0.3108	0.8778	0.8781	0.8780	0.9250
0.1254	11.99	3800	0.3097	0.8778	0.8771	0.8775	0.9239
0.1254	12.3	3900	0.3115	0.8785	0.8801	0.8793	0.9251
0.111	12.62	4000	0.3108	0.8772	0.8799	0.8785	0.9249