開源layoutlmv3-finetuned-invoice模型 - 高效提取發票信息，在SROIE數據集表現優

首頁

Layoutlmv3 Finetuned Invoice

由ronak1998開發

基於LayoutLMv3架構微調的發票信息提取模型，在SROIE數據集上表現出色

文字識別

Transformers

#發票識別 #高精度OCR #文檔理解

下載量 71

發布時間 : 6/10/2022

模型概述

該模型專門用於從發票文檔中提取關鍵信息，如日期、金額、商家信息等，支持結構化數據提取

模型特點

高精度信息提取

在SROIE測試集上達到接近完美的精確率（1.0）和召回率（0.998）

佈局感知

結合文本內容和文檔佈局信息進行更準確的實體識別

端到端處理

可直接處理原始文檔圖像，無需複雜的預處理流程

模型能力

發票信息提取

文檔實體識別

結構化數據生成

使用案例

財務自動化

發票數據處理

自動從掃描發票中提取關鍵字段（金額、日期、稅號等）

減少人工錄入錯誤，處理速度提升90%以上

文檔管理

文檔數字化

將紙質發票轉換為結構化數據

實現文檔內容的可搜索和可分析

🚀 layoutlmv3-finetuned-invoice

該模型是在sroie數據集上對microsoft/layoutlmv3-base進行微調後的版本。它在解決發票相關的信息提取等任務上表現出色，能夠準確識別發票中的關鍵信息，為發票處理流程提供高效、準確的支持。

🚀 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：0.0030
精確率：1.0
召回率：0.9980
F1值：0.9990
準確率：0.9998

📚 詳細文檔

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：2000

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	2.0	100	0.0715	0.972	0.9858	0.9789	0.9971
無記錄	4.0	200	0.0228	0.972	0.9858	0.9789	0.9971
無記錄	6.0	300	0.0174	0.972	0.9858	0.9789	0.9971
無記錄	8.0	400	0.0137	0.972	0.9858	0.9789	0.9971
0.1189	10.0	500	0.0122	0.972	0.9858	0.9789	0.9971
0.1189	12.0	600	0.0112	0.972	0.9858	0.9789	0.9971
0.1189	14.0	700	0.0080	0.972	0.9858	0.9789	0.9971
0.1189	16.0	800	0.0100	0.972	0.9858	0.9789	0.9971
0.1189	18.0	900	0.0040	0.9960	0.9980	0.9970	0.9996
0.0097	20.0	1000	0.0030	1.0	0.9980	0.9990	0.9998
0.0097	22.0	1100	0.0028	0.9980	0.9959	0.9970	0.9996
0.0097	24.0	1200	0.0016	1.0	1.0	1.0	1.0
0.0097	26.0	1300	0.0015	1.0	1.0	1.0	1.0
0.0097	28.0	1400	0.0015	0.9980	0.9980	0.9980	0.9998
0.0029	30.0	1500	0.0017	0.9980	0.9980	0.9980	0.9998
0.0029	32.0	1600	0.0026	0.9960	0.9980	0.9970	0.9996
0.0029	34.0	1700	0.0026	0.9960	0.9980	0.9970	0.9996
0.0029	36.0	1800	0.0026	0.9960	0.9980	0.9970	0.9996
0.0029	38.0	1900	0.0025	0.9960	0.9980	0.9970	0.9996
0.002	40.0	2000	0.0026	0.9960	0.9980	0.9970	0.9996

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

模型評估指標

屬性	詳情
模型類型	用於標記分類的微調模型
訓練數據	sroie數據集

模型在評估集上的各項指標表現優秀，精確率達到了 1.0，說明模型在預測正樣本時的準確性極高；召回率為 0.9980，表明模型能夠較好地找出所有正樣本；F1 值為 0.9990，綜合衡量了精確率和召回率；準確率為 0.9998，反映了模型整體的預測準確性。這些指標表明該模型在標記分類任務上具有出色的性能。