Lmv2 G Aadhaar 236doc 06 14

由 Sebabrata 开发

该模型是基于microsoft/layoutlmv2-base-uncased微调的版本，专注于文档信息提取任务，在Aadhaar卡、出生日期、性别和姓名等字段的提取上表现出色。

序列标注

Transformers

#文档信息提取 #高精度识别 #身份验证

下载量 52

发布时间 : 6/14/2022

模型介绍

内容详情

替代品

模型简介

基于LayoutLMv2架构的文档信息提取模型，专门用于从结构化文档中提取关键字段信息，如身份证号码、出生日期、性别和姓名等。

模型特点

高精度信息提取

在Aadhaar号码、出生日期、性别和姓名等关键字段上达到高精确率和召回率

基于LayoutLMv2架构

利用文本和布局信息进行联合建模，提升文档理解能力

多字段联合识别

能够同时识别文档中的多种不同类型的信息字段

模型能力

文档信息提取

结构化数据识别

身份证信息解析

使用案例

身份验证

Aadhaar卡信息提取

从印度Aadhaar身份证中提取关键信息

Aadhaar号码提取F1值达0.9890

文档处理

出生日期识别

从文档中准确识别出生日期信息

出生日期提取F1值达0.9892

个人信息提取

从文档中提取姓名、性别等个人信息

姓名提取F1值0.9474，性别提取F1值0.9892

license: cc-by-nc-sa-4.0 tags:

训练生成 model-index:
name: lmv2-g-aadhaar-236doc-06-14 results: []

lmv2-g-aadhaar-236doc-06-14

该模型是基于microsoft/layoutlmv2-base-uncased在None数据集上微调的版本。在评估集上取得如下结果：

损失值: 0.0427
Aadhaar精确率: 0.9783
Aadhaar召回率: 1.0
Aadhaar F1值: 0.9890
Aadhaar数量: 45
出生日期精确率: 0.9787
出生日期召回率: 1.0
出生日期F1值: 0.9892
出生日期数量: 46
性别精确率: 1.0
性别召回率: 0.9787
性别F1值: 0.9892
性别数量: 47
姓名精确率: 0.9574
姓名召回率: 0.9375
姓名F1值: 0.9474
姓名数量: 48
综合精确率: 0.9785
综合召回率: 0.9785
综合F1值: 0.9785
综合准确率: 0.9939

模型描述

需补充更多信息

使用范围与限制

需补充更多信息

训练与评估数据

需补充更多信息

训练流程

训练超参数

训练过程中使用以下超参数：

学习率: 4e-05
训练批大小: 1
评估批大小: 1
随机种子: 42
优化器: 带betas=(0.9,0.999)和epsilon=1e-08的Adam
学习率调度器类型: 恒定
训练轮次: 30

训练结果

训练损失	轮次	步数	验证损失	Aadhaar精确率	Aadhaar召回率	Aadhaar F1	Aadhaar数量	出生日期精确率	出生日期召回率	出生日期F1	出生日期数量	性别精确率	性别召回率	性别F1	性别数量	姓名精确率	姓名召回率	姓名F1	姓名数量	综合精确率	综合召回率	综合F1	综合准确率
1.0024	1.0	188	0.5819	0.9348	0.9556	0.9451	45	1.0	1.0	1.0	46	1.0	0.9574	0.9783	47	0.5172	0.625	0.5660	48	0.8410	0.8817	0.8609	0.9744
0.4484	2.0	376	0.3263	0.8980	0.9778	0.9362	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.6842	0.8125	0.7429	48	0.8838	0.9409	0.9115	0.9733
0.2508	3.0	564	0.2230	0.9318	0.9111	0.9213	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.8913	0.8542	0.8723	48	0.9560	0.9355	0.9457	0.9811
0.165	4.0	752	0.1728	0.9362	0.9778	0.9565	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.8444	0.7917	0.8172	48	0.9457	0.9355	0.9405	0.9844
0.1081	5.0	940	0.0987	0.8958	0.9556	0.9247	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	1.0	0.9167	0.9565	48	0.9728	0.9624	0.9676	0.9928
0.0834	6.0	1128	0.0984	0.8980	0.9778	0.9362	45	1.0	1.0	1.0	46	1.0	0.9574	0.9783	47	0.8148	0.9167	0.8627	48	0.9227	0.9624	0.9421	0.9833
0.0676	7.0	1316	0.0773	0.9362	0.9778	0.9565	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9111	0.8542	0.8817	48	0.9620	0.9516	0.9568	0.9894
0.0572	8.0	1504	0.0786	0.8235	0.9333	0.8750	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.8936	0.875	0.8842	48	0.9263	0.9462	0.9362	0.9872
0.0481	9.0	1692	0.0576	0.9375	1.0	0.9677	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9362	0.9167	0.9263	48	0.9679	0.9731	0.9705	0.99
0.0349	10.0	1880	0.0610	0.9574	1.0	0.9783	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.8958	0.8958	0.8958	48	0.9626	0.9677	0.9651	0.9894
0.0287	11.0	2068	0.0978	0.9091	0.8889	0.8989	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9348	0.8958	0.9149	48	0.9615	0.9409	0.9511	0.985
0.0297	12.0	2256	0.0993	0.9375	1.0	0.9677	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.7959	0.8125	0.8041	48	0.9312	0.9462	0.9387	0.9833
0.0395	13.0	2444	0.0824	0.9362	0.9778	0.9565	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.875	0.875	0.875	48	0.9519	0.9570	0.9544	0.9872
0.0333	14.0	2632	0.0788	0.8913	0.9111	0.9011	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9556	0.8958	0.9247	48	0.9617	0.9462	0.9539	0.9867
0.0356	15.0	2820	0.0808	0.84	0.9333	0.8842	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9565	0.9167	0.9362	48	0.9468	0.9570	0.9519	0.9867
0.0192	16.0	3008	0.0955	0.8462	0.9778	0.9072	45	0.9787	1.0	0.9892	46	0.9583	0.9787	0.9684	47	0.9070	0.8125	0.8571	48	0.9211	0.9409	0.9309	0.9822
0.016	17.0	3196	0.0936	0.9130	0.9333	0.9231	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9318	0.8542	0.8913	48	0.9615	0.9409	0.9511	0.9867
0.0218	18.0	3384	0.1009	0.9545	0.9333	0.9438	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.8571	0.875	0.8660	48	0.9514	0.9462	0.9488	0.9844
0.0165	19.0	3572	0.0517	0.9574	1.0	0.9783	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9333	0.875	0.9032	48	0.9728	0.9624	0.9676	0.9906
0.0198	20.0	3760	0.0890	0.9167	0.9778	0.9462	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9149	0.8958	0.9053	48	0.9572	0.9624	0.9598	0.9867
0.0077	21.0	3948	0.0835	0.9574	1.0	0.9783	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.88	0.9167	0.8980	48	0.9577	0.9731	0.9653	0.9872
0.0088	22.0	4136	0.0427	0.9783	1.0	0.9890	45	0.9787	1.0	0.9892	46	1.0	0.9787	0.9892	47	0.9574	0.9375	0.9474	48	0.9785	0.9785	0.9785	0.9939
0.0078	23.0	4324	0.0597	0.9574	1.0	0.9783	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.8654	0.9375	0.9	48	0.9529	0.9785	0.9655	0.9889
0.0178	24.0	4512	0.0524	0.9574	1.0	0.9783	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	1.0	0.875	0.9333	48	0.9890	0.9624	0.9755	0.9922
0.012	25.0	4700	0.0637	0.9375	1.0	0.9677	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.8491	0.9375	0.8911	48	0.9430	0.9785	0.9604	0.9867
0.0135	26.0	4888	0.0668	0.9184	1.0	0.9574	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.86	0.8958	0.8776	48	0.9424	0.9677	0.9549	0.9867
0.0123	27.0	5076	0.0713	0.9565	0.9778	0.9670	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9375	0.9375	0.9375	48	0.9731	0.9731	0.9731	0.9911
0.0074	28.0	5264	0.0675	0.9362	0.9778	0.9565	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9	0.9375	0.9184	48	0.9577	0.9731	0.9653	0.99
0.0051	29.0	5452	0.0713	0.9362	0.9778	0.9565	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9167	0.9167	0.9167	48	0.9626	0.9677	0.9651	0.9906
0.0027	30.0	5640	0.0725	0.9362	0.9778	0.9565	45	1.0	1.0	1.0	46	1.0	0.9787	0.9892	47	0.9167	0.9167	0.9167	48	0.9626	0.9677	0.9651	0.9906