Layoutlmv3 Finetuned Invoice

🚀 LayoutLM-v3模型在发票数据集上的微调

本模型是 microsoft/layoutlmv3-base 在发票数据集上的微调版本。我们使用在发票数据集上训练的微软 LayoutLMv3 模型来预测开票方名称、开票方地址、开票方邮政编码、到期日期、消费税、发票日期、发票编号、小计和总计。使用时，只需上传一张图片或使用下面的示例图片，结果将在几秒钟内显示。

该模型在评估集上取得了以下结果：

• 损失：0.0012
• 精确率：1.0
• 召回率：1.0
• F1值：1.0
• 准确率：1.0

🚀 快速开始

使用本模型时，只需上传一张图片或使用示例图片，结果将在几秒钟内显示。

✨ 主要特性

• 基于微调的 LayoutLMv3 模型，可准确预测发票的多项关键信息。
• 在评估集上各项指标（精确率、召回率、F1值、准确率）均达到 1.0，表现优异。

📚 详细文档

模型描述

本模型是 microsoft/layoutlmv3-base 在发票数据集上的微调版本。

预期用途与限制

更多信息待补充。

训练和评估数据

所有训练代码可从以下 GitHub 链接获取： https://github.com/Theivaprakasham/layoutlmv3

该模型可在 HuggingFace Spaces 链接进行评估： https://huggingface.co/spaces/Theivaprakasham/layoutlmv3_invoice

训练过程

训练超参数

训练期间使用了以下超参数：

• 学习率：1e-05
• 训练批次大小：2
• 评估批次大小：2
• 随机种子：42
• 优化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e-08）
• 学习率调度器类型：线性
• 训练步数：2000

训练结果

框架版本

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

🔧 技术细节

本模型基于 LayoutLMv3 架构，在发票数据集上进行微调。训练过程中使用了特定的超参数和优化器，通过不断迭代训练，最终在评估集上取得了优异的性能。

📄 许可证

文档未提及相关许可证信息。

信息表格