Layoutlmv3 Finetuned Invoice

🚀 LayoutLM-v3模型在發票數據集上的微調

本模型是 microsoft/layoutlmv3-base 在發票數據集上的微調版本。我們使用在發票數據集上訓練的微軟 LayoutLMv3 模型來預測開票方名稱、開票方地址、開票方郵政編碼、到期日期、消費稅、發票日期、發票編號、小計和總計。使用時，只需上傳一張圖片或使用下面的示例圖片，結果將在幾秒鐘內顯示。

該模型在評估集上取得了以下結果：

• 損失：0.0012
• 精確率：1.0
• 召回率：1.0
• F1值：1.0
• 準確率：1.0

🚀 快速開始

使用本模型時，只需上傳一張圖片或使用示例圖片，結果將在幾秒鐘內顯示。

✨ 主要特性

• 基於微調的 LayoutLMv3 模型，可準確預測發票的多項關鍵信息。
• 在評估集上各項指標（精確率、召回率、F1值、準確率）均達到 1.0，表現優異。

📚 詳細文檔

模型描述

本模型是 microsoft/layoutlmv3-base 在發票數據集上的微調版本。

預期用途與限制

更多信息待補充。

訓練和評估數據

所有訓練代碼可從以下 GitHub 鏈接獲取： https://github.com/Theivaprakasham/layoutlmv3

該模型可在 HuggingFace Spaces 鏈接進行評估： https://huggingface.co/spaces/Theivaprakasham/layoutlmv3_invoice

訓練過程

訓練超參數

訓練期間使用了以下超參數：

• 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：2000

訓練結果

框架版本

• Transformers 4.20.0.dev0
• Pytorch 1.11.0+cu113
• Datasets 2.2.2
• Tokenizers 0.12.1

🔧 技術細節

本模型基於 LayoutLMv3 架構，在發票數據集上進行微調。訓練過程中使用了特定的超參數和優化器，通過不斷迭代訓練，最終在評估集上取得了優異的性能。

📄 許可證

文檔未提及相關許可證信息。

信息表格