Layoutlmv3 Finetuned Sroie

由 Theivaprakasham 开发

基于微软LayoutLMv3-base模型在SROIE数据集上微调的文档理解模型，擅长从扫描文档中提取结构化信息

文字识别

Transformers

#文档信息提取 #高精度OCR #结构化数据识别

下载量 409

发布时间 : 6/7/2022

模型介绍

内容详情

替代品

模型简介

该模型专门用于文档信息提取任务，能够识别和分类收据等文档中的关键字段（如日期、金额、商家信息等）

模型特点

高精度文档理解

在SROIE数据集上达到94%的F1值，能准确识别收据中的关键信息

多模态处理能力

同时处理文本内容和视觉布局信息，提升文档理解效果

端到端训练

支持从原始文档图像直接进行信息提取，无需复杂的预处理

模型能力

收据信息提取

文档实体识别

结构化数据生成

视觉文本理解

使用案例

财务自动化

收据信息数字化

自动从扫描收据中提取商家、金额、日期等信息

准确率超过99%，F1值达94%

文档处理

发票信息提取

识别发票中的关键字段并生成结构化数据

标签:

由训练器生成数据集:
sroie 指标:
精确率
召回率
F1值
准确率模型索引:
名称: layoutlmv3-finetuned-sroie 结果:
- 任务: 名称: 标记分类类型: token-classification 数据集: 名称: sroie 类型: sroie 参数: sroie 指标:
  - 名称: 精确率类型: precision 值: 0.9370529327610873
  - 名称: 召回率类型: recall 值: 0.9438040345821326
  - 名称: F1值类型: f1 值: 0.9404163675520459
  - 名称: 准确率类型: accuracy 值: 0.9945347083116948

layoutlmv3-finetuned-sroie

该模型是基于microsoft/layoutlmv3-base在sroie数据集上微调的版本。
在评估集上取得了以下结果:

损失: 0.0426
精确率: 0.9371
召回率: 0.9438
F1值: 0.9404
准确率: 0.9945

模型描述

需要更多信息

预期用途与限制

需要更多信息

训练与评估数据

需要更多信息

训练过程

训练超参数

训练过程中使用了以下超参数:

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: 5000

训练结果

训练损失	周期	步数	验证损失	精确率	召回率	F1值	准确率
无记录	0.32	100	0.1127	0.6466	0.6102	0.6279	0.9729
无记录	0.64	200	0.0663	0.8215	0.7428	0.7802	0.9821
无记录	0.96	300	0.0563	0.8051	0.8718	0.8371	0.9855
无记录	1.28	400	0.0470	0.8766	0.8595	0.8680	0.9895
0.1328	1.6	500	0.0419	0.8613	0.9128	0.8863	0.9906
0.1328	1.92	600	0.0338	0.8888	0.9099	0.8993	0.9926
0.1328	2.24	700	0.0320	0.8690	0.9467	0.9062	0.9929
0.1328	2.56	800	0.0348	0.8960	0.9438	0.9193	0.9931
0.1328	2.88	900	0.0300	0.9169	0.9460	0.9312	0.9942
0.029	3.19	1000	0.0281	0.9080	0.9452	0.9262	0.9942
0.029	3.51	1100	0.0259	0.9174	0.9438	0.9304	0.9945
0.029	3.83	1200	0.0309	0.9207	0.9532	0.9366	0.9944
0.029	4.15	1300	0.0366	0.9195	0.9388	0.9291	0.9940
0.029	4.47	1400	0.0302	0.9343	0.9424	0.9383	0.9949
0.0174	4.79	1500	0.0349	0.9142	0.9517	0.9326	0.9939
0.0174	5.11	1600	0.0327	0.9322	0.9510	0.9415	0.9950
0.0174	5.43	1700	0.0317	0.9215	0.9561	0.9385	0.9938
0.0174	5.75	1800	0.0385	0.9282	0.9316	0.9299	0.9940
0.0174	6.07	1900	0.0342	0.9235	0.9481	0.9357	0.9944
0.0117	6.39	2000	0.0344	0.9287	0.9474	0.9379	0.9944
0.0117	6.71	2100	0.0388	0.9232	0.9445	0.9338	0.9941
0.0117	7.03	2200	0.0325	0.9269	0.9496	0.9381	0.9949
0.0117	7.35	2300	0.0343	0.9225	0.9438	0.9330	0.9941
0.0117	7.67	2400	0.0372	0.9216	0.9481	0.9347	0.9944
0.0081	7.99	2500	0.0385	0.9192	0.9589	0.9386	0.9944
0.0081	8.31	2600	0.0376	0.9293	0.9467	0.9379	0.9944
0.0081	8.63	2700	0.0425	0.9261	0.9474	0.9366	0.9941
0.0081	8.95	2800	0.0407	0.9266	0.9452	0.9358	0.9941
0.0081	9.27	2900	0.0403	0.9280	0.9467	0.9372	0.9941
0.0055	9.58	3000	0.0364	0.9287	0.9474	0.9379	0.9948
0.0055	9.9	3100	0.0427	0.9122	0.9510	0.9312	0.9941
0.0055	10.22	3200	0.0394	0.9223	0.9488	0.9354	0.9943
0.0055	10.54	3300	0.0393	0.9247	0.9561	0.9401	0.9945
0.0055	10.86	3400	0.0413	0.9334	0.9496	0.9414	0.9945
0.0049	11.18	3500	0.0400	0.9290	0.9517	0.9402	0.9945
0.0049	11.5	3600	0.0412	0.9317	0.9539	0.9427	0.9945
0.0049	11.82	3700	0.0419	0.9314	0.9481	0.9397	0.9947
0.0049	12.14	3800	0.0452	0.9243	0.9503	0.9371	0.9941
0.0049	12.46	3900	0.0412	0.9334	0.9496	0.9414	0.9947
0.0039	12.78	4000	0.0438	0.9294	0.9481	0.9387	0.9941
0.0039	13.1	4100	0.0416	0.9326	0.9467	0.9396	0.9944
0.0039	13.42	4200	0.0418	0.9327	0.9488	0.9407	0.9948
0.0039	13.74	4300	0.0423	0.9345	0.9460	0.9402	0.9946
0.0039	14.06	4400	0.0419	0.9286	0.9467	0.9376	0.9947
0.0022	14.38	4500	0.0426	0.9371	0.9438	0.9404	0.9945
0.0022	14.7	4600	0.0424	0.9371	0.9445	0.9408	0.9947
0.0022	15.02	4700	0.0427	0.9372	0.9467	0.9419	0.9947
0.0022	15.34	4800	0.0431	0.9339	0.9460	0.9399	0.9945
0.0022	15.65	4900	0.0431	0.9346	0.9467	0.9406	0.9946
0.0015	15.97	5000	0.0434	0.9324	0.9445	0.9384	0.9945