layoutlmv3-finetuned-sroie開源文檔理解模型 - 免費從掃描文檔提取結構化信息

Home

Layoutlmv3 Finetuned Sroie

Developed by Theivaprakasham

基於微軟LayoutLMv3-base模型在SROIE數據集上微調的文檔理解模型，擅長從掃描文檔中提取結構化信息

文字識別

Transformers

#文檔信息提取 #高精度OCR #結構化數據識別

Downloads 409

Release Time : 6/7/2022

Model Overview

該模型專門用於文檔信息提取任務，能夠識別和分類收據等文檔中的關鍵字段（如日期、金額、商家信息等）

Model Features

高精度文檔理解

在SROIE數據集上達到94%的F1值，能準確識別收據中的關鍵信息

多模態處理能力

同時處理文本內容和視覺佈局信息，提升文檔理解效果

端到端訓練

支持從原始文檔圖像直接進行信息提取，無需複雜的預處理

Model Capabilities

收據信息提取

文檔實體識別

結構化數據生成

視覺文本理解

Use Cases

財務自動化

收據信息數字化

自動從掃描收據中提取商家、金額、日期等信息

準確率超過99%，F1值達94%

文檔處理

發票信息提取

識別發票中的關鍵字段並生成結構化數據

🚀 layoutlmv3-finetuned-sroie

該模型是 microsoft/layoutlmv3-base 在 sroie 數據集上的微調版本，在評估集上取得了優異的成績，能夠有效解決特定的任務問題，為相關領域的應用提供了有力支持。

🚀 快速開始

此模型是 microsoft/layoutlmv3-base 在 sroie 數據集上的微調版本。它在評估集上取得了以下結果：

損失值：0.0426
精確率：0.9371
召回率：0.9438
F1值：0.9404
準確率：0.9945

📚 詳細文檔

模型信息

屬性	詳情
生成標籤	由訓練器生成
數據集	sroie
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	數據集參數	精確率	召回率	F1值	準確率
標記分類	標記分類	sroie	sroie	sroie	0.9370529327610873	0.9438040345821326	0.9404163675520459	0.9945347083116948

訓練過程

訓練超參數

訓練過程中使用了以下超參數：

學習率：1e - 05
訓練批次大小：2
評估批次大小：2
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：5000

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	0.1127	0.6466	0.6102	0.6279	0.9729
無記錄	0.64	200	0.0663	0.8215	0.7428	0.7802	0.9821
無記錄	0.96	300	0.0563	0.8051	0.8718	0.8371	0.9855
無記錄	1.28	400	0.0470	0.8766	0.8595	0.8680	0.9895
0.1328	1.6	500	0.0419	0.8613	0.9128	0.8863	0.9906
0.1328	1.92	600	0.0338	0.8888	0.9099	0.8993	0.9926
0.1328	2.24	700	0.0320	0.8690	0.9467	0.9062	0.9929
0.1328	2.56	800	0.0348	0.8960	0.9438	0.9193	0.9931
0.1328	2.88	900	0.0300	0.9169	0.9460	0.9312	0.9942
0.029	3.19	1000	0.0281	0.9080	0.9452	0.9262	0.9942
0.029	3.51	1100	0.0259	0.9174	0.9438	0.9304	0.9945
0.029	3.83	1200	0.0309	0.9207	0.9532	0.9366	0.9944
0.029	4.15	1300	0.0366	0.9195	0.9388	0.9291	0.9940
0.029	4.47	1400	0.0302	0.9343	0.9424	0.9383	0.9949
0.0174	4.79	1500	0.0349	0.9142	0.9517	0.9326	0.9939
0.0174	5.11	1600	0.0327	0.9322	0.9510	0.9415	0.9950
0.0174	5.43	1700	0.0317	0.9215	0.9561	0.9385	0.9938
0.0174	5.75	1800	0.0385	0.9282	0.9316	0.9299	0.9940
0.0174	6.07	1900	0.0342	0.9235	0.9481	0.9357	0.9944
0.0117	6.39	2000	0.0344	0.9287	0.9474	0.9379	0.9944
0.0117	6.71	2100	0.0388	0.9232	0.9445	0.9338	0.9941
0.0117	7.03	2200	0.0325	0.9269	0.9496	0.9381	0.9949
0.0117	7.35	2300	0.0343	0.9225	0.9438	0.9330	0.9941
0.0117	7.67	2400	0.0372	0.9216	0.9481	0.9347	0.9944
0.0081	7.99	2500	0.0385	0.9192	0.9589	0.9386	0.9944
0.0081	8.31	2600	0.0376	0.9293	0.9467	0.9379	0.9944
0.0081	8.63	2700	0.0425	0.9261	0.9474	0.9366	0.9941
0.0081	8.95	2800	0.0407	0.9266	0.9452	0.9358	0.9941
0.0081	9.27	2900	0.0403	0.9280	0.9467	0.9372	0.9941
0.0055	9.58	3000	0.0364	0.9287	0.9474	0.9379	0.9948
0.0055	9.9	3100	0.0427	0.9122	0.9510	0.9312	0.9941
0.0055	10.22	3200	0.0394	0.9223	0.9488	0.9354	0.9943
0.0055	10.54	3300	0.0393	0.9247	0.9561	0.9401	0.9945
0.0055	10.86	3400	0.0413	0.9334	0.9496	0.9414	0.9945
0.0049	11.18	3500	0.0400	0.9290	0.9517	0.9402	0.9945
0.0049	11.5	3600	0.0412	0.9317	0.9539	0.9427	0.9945
0.0049	11.82	3700	0.0419	0.9314	0.9481	0.9397	0.9947
0.0049	12.14	3800	0.0452	0.9243	0.9503	0.9371	0.9941
0.0049	12.46	3900	0.0412	0.9334	0.9496	0.9414	0.9947
0.0039	12.78	4000	0.0438	0.9294	0.9481	0.9387	0.9941
0.0039	13.1	4100	0.0416	0.9326	0.9467	0.9396	0.9944
0.0039	13.42	4200	0.0418	0.9327	0.9488	0.9407	0.9948
0.0039	13.74	4300	0.0423	0.9345	0.9460	0.9402	0.9946
0.0039	14.06	4400	0.0419	0.9286	0.9467	0.9376	0.9947
0.0022	14.38	4500	0.0426	0.9371	0.9438	0.9404	0.9945
0.0022	14.7	4600	0.0424	0.9371	0.9445	0.9408	0.9947
0.0022	15.02	4700	0.0427	0.9372	0.9467	0.9419	0.9947
0.0022	15.34	4800	0.0431	0.9339	0.9460	0.9399	0.9945
0.0022	15.65	4900	0.0431	0.9346	0.9467	0.9406	0.9946
0.0015	15.97	5000	0.0434	0.9324	0.9445	0.9384	0.9945