开源layoutlmv3-finetuned-wildreceipt模型 - 免费部署精准提取收据关键信息

首页

Layoutlmv3 Finetuned Wildreceipt

由 Theivaprakasham 开发

基于LayoutLMv3-base模型在WildReceipt收据数据集上微调的版本，用于收据关键信息提取任务

文字识别

Transformers

#收据关键信息提取 #高精度OCR #文档理解

下载量 118

发布时间 : 6/11/2022

模型简介

该模型专门用于从收据图像中提取结构化信息，能够识别25个关键字段类别，如日期、金额、商家信息等

模型特点

高精度收据解析

在WildReceipt测试集上达到0.8785的F1值，能准确识别收据中的关键信息

多模态理解

结合文本和布局信息进行联合理解，提升对收据这类结构化文档的处理能力

端到端训练

直接从原始收据图像进行端到端训练，无需复杂的预处理流程

模型能力

收据信息提取

文本实体识别

文档布局理解

结构化数据生成

使用案例

财务自动化

费用报销处理

自动从员工提交的收据中提取关键报销信息

减少人工录入错误，提高报销处理效率

零售分析

消费数据分析

从大量收据中提取结构化消费数据用于商业分析

帮助商家了解消费模式和趋势

🚀 layoutlmv3-finetuned-wildreceipt

本模型是 microsoft/layoutlmv3-base 在 wild_receipt 数据集上的微调版本。它在评估集上取得了以下成果：

损失率：0.3108
精确率：0.8772
召回率：0.8799
F1值：0.8785
准确率：0.9249

📚 详细文档

标签与数据集

属性	详情
标签	generated_from_trainer
数据集	wild_receipt
评估指标	精确率、召回率、F1值、准确率

模型评估结果

任务名称	任务类型	数据集名称	数据集类型	精确率	召回率	F1值	准确率
令牌分类	令牌分类	wild_receipt	wild_receipt	0.877212237618329	0.8798678959680749	0.8785380599065679	0.9249204782274871

训练和评估数据

WildReceipt 数据集包含 1740 张收据图像，涵盖 25 个关键信息类别，总计约 69000 个文本框。其中，1268 张图像用于训练，472 张图像用于测试，用于训练 LayoutLMv3 模型进行关键信息提取。

训练过程

训练代码：点击查看

训练超参数

学习率：1e-05
训练批次大小：4
评估批次大小：4
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：4000

训练结果

训练损失	轮数	步数	验证损失	精确率	召回率	F1值	准确率
无记录	0.32	100	1.3143	0.6709	0.2679	0.3829	0.6700
无记录	0.63	200	0.8814	0.6478	0.5195	0.5766	0.7786
无记录	0.95	300	0.6568	0.7205	0.6491	0.6829	0.8303
无记录	1.26	400	0.5618	0.7544	0.7072	0.7300	0.8519
1.0284	1.58	500	0.5003	0.7802	0.7566	0.7682	0.8687
1.0284	1.89	600	0.4454	0.7941	0.7679	0.7807	0.8748
1.0284	2.21	700	0.4314	0.8142	0.7928	0.8033	0.8852
1.0284	2.52	800	0.3870	0.8172	0.8200	0.8186	0.8953
1.0284	2.84	900	0.3629	0.8288	0.8369	0.8329	0.9025
0.4167	3.15	1000	0.3537	0.8540	0.8200	0.8366	0.9052
0.4167	3.47	1100	0.3383	0.8438	0.8285	0.8361	0.9063
0.4167	3.79	1200	0.3403	0.8297	0.8493	0.8394	0.9062
0.4167	4.1	1300	0.3271	0.8428	0.8545	0.8487	0.9110
0.4167	4.42	1400	0.3182	0.8491	0.8518	0.8504	0.9131
0.2766	4.73	1500	0.3111	0.8491	0.8539	0.8515	0.9129
0.2766	5.05	1600	0.3177	0.8397	0.8620	0.8507	0.9124
0.2766	5.36	1700	0.3091	0.8676	0.8548	0.8612	0.9191
0.2766	5.68	1800	0.3080	0.8508	0.8645	0.8576	0.9162
0.2766	5.99	1900	0.3059	0.8492	0.8662	0.8576	0.9163
0.2114	6.31	2000	0.3184	0.8536	0.8657	0.8596	0.9147
0.2114	6.62	2100	0.3161	0.8583	0.8713	0.8648	0.9184
0.2114	6.94	2200	0.3055	0.8707	0.8682	0.8694	0.9220
0.2114	7.26	2300	0.3004	0.8689	0.8745	0.8717	0.9219
0.2114	7.57	2400	0.3111	0.8701	0.8720	0.8711	0.9211
0.174	7.89	2500	0.3130	0.8599	0.8741	0.8669	0.9198
0.174	8.2	2600	0.3034	0.8661	0.8748	0.8704	0.9219
0.174	8.52	2700	0.3005	0.8799	0.8673	0.8736	0.9225
0.174	8.83	2800	0.3043	0.8687	0.8804	0.8745	0.9240
0.174	9.15	2900	0.3121	0.8776	0.8704	0.8740	0.9242
0.1412	9.46	3000	0.3131	0.8631	0.8755	0.8692	0.9204
0.1412	9.78	3100	0.3067	0.8715	0.8773	0.8744	0.9233
0.1412	10.09	3200	0.3021	0.8751	0.8812	0.8782	0.9248
0.1412	10.41	3300	0.3092	0.8651	0.8808	0.8729	0.9228
0.1412	10.73	3400	0.3084	0.8776	0.8749	0.8762	0.9237
0.1254	11.04	3500	0.3156	0.8738	0.8785	0.8761	0.9237
0.1254	11.36	3600	0.3131	0.8723	0.8818	0.8770	0.9244
0.1254	11.67	3700	0.3108	0.8778	0.8781	0.8780	0.9250
0.1254	11.99	3800	0.3097	0.8778	0.8771	0.8775	0.9239
0.1254	12.3	3900	0.3115	0.8785	0.8801	0.8793	0.9251
0.111	12.62	4000	0.3108	0.8772	0.8799	0.8785	0.9249