Layoutlmv2 Finetuned Sroie

由 Theivaprakasham 开发

基于LayoutLMv2架构在SROIE数据集上微调的文档信息提取模型，擅长从收据文档中提取关键字段

序列标注

Transformers

#文档信息提取 #高精度OCR #发票识别

下载量 71

发布时间 : 3/2/2022

模型介绍

内容详情

替代品

模型简介

该模型专门用于从扫描收据或发票中提取结构化信息，如公司名称、地址、日期和总金额等关键字段

模型特点

高精度字段提取

在收据关键字段提取任务上达到95%以上的F1值

多模态理解

结合文本内容和文档布局信息进行综合分析

领域适配

专门针对收据信息提取场景进行优化

模型能力

收据文本识别

结构化信息提取

文档布局分析

多字段联合识别

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关键业务信息

减少人工录入工作量，准确率达95%以上

文档处理

发票信息提取

批量处理发票文档并提取结构化数据

支持公司、日期、金额等关键字段的高效提取

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

训练生成 datasets:
sroie model-index:
name: layoutlmv2-finetuned-sroie results: []

layoutlmv2-finetuned-sroie

该模型是基于microsoft/layoutlmv2-base-uncased在sroie数据集上微调的版本，其评估集结果如下：

损失值：0.0291
地址精确率：0.9341
地址召回率：0.9395
地址F1值：0.9368
地址样本数：347
公司精确率：0.9570
公司召回率：0.9625
公司F1值：0.9598
公司样本数：347
日期精确率：0.9885
日期召回率：0.9885
日期F1值：0.9885
日期样本数：347
总金额精确率：0.9253
总金额召回率：0.9280
总金额F1值：0.9266
总金额样本数：347
整体精确率：0.9512
整体召回率：0.9546
整体F1值：0.9529
整体准确率：0.9961

模型描述

需补充更多信息

预期用途与限制

需补充更多信息

训练与评估数据

需补充更多信息

训练过程

训练超参数

训练采用以下超参数：

学习率：5e-05
训练批大小：8
评估批大小：8
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：线性
学习率预热比例：0.1
训练步数：3000
混合精度训练：原生AMP

训练结果

训练损失	周期	步数	验证损失	地址精确率	地址召回率	地址F1	地址样本数	公司精确率	公司召回率	公司F1	公司样本数	日期精确率	日期召回率	日期F1	日期样本数	总金额精确率	总金额召回率	总金额F1	总金额样本数	整体精确率	整体召回率	整体F1	整体准确率
无记录	0.05	157	0.8162	0.3670	0.7233	0.4869	347	0.0617	0.0144	0.0234	347	0.0	0.0	0.0	347	0.0	0.0	0.0	347	0.3346	0.1844	0.2378	0.9342
无记录	1.05	314	0.3490	0.8564	0.8934	0.8745	347	0.8610	0.9280	0.8932	347	0.7297	0.8559	0.7878	347	0.0	0.0	0.0	347	0.8128	0.6693	0.7341	0.9826
无记录	2.05	471	0.1845	0.7970	0.9049	0.8475	347	0.9211	0.9424	0.9316	347	0.9885	0.9885	0.9885	347	0.0	0.0	0.0	347	0.8978	0.7089	0.7923	0.9835
0.7027	3.05	628	0.1194	0.9040	0.9222	0.9130	347	0.8880	0.9135	0.9006	347	0.9885	0.9885	0.9885	347	0.0	0.0	0.0	347	0.9263	0.7061	0.8013	0.9853
0.7027	4.05	785	0.0762	0.9397	0.9424	0.9410	347	0.8889	0.9222	0.9052	347	0.9885	0.9885	0.9885	347	0.7740	0.9078	0.8355	347	0.8926	0.9402	0.9158	0.9928
0.7027	5.05	942	0.0564	0.9282	0.9308	0.9295	347	0.9296	0.9510	0.9402	347	0.9885	0.9885	0.9885	347	0.7801	0.8588	0.8176	347	0.9036	0.9323	0.9177	0.9946
0.0935	6.05	1099	0.0548	0.9222	0.9222	0.9222	347	0.6975	0.7378	0.7171	347	0.9885	0.9885	0.9885	347	0.8608	0.8732	0.8670	347	0.8648	0.8804	0.8725	0.9921
0.0935	7.05	1256	0.0410	0.92	0.9280	0.9240	347	0.9486	0.9568	0.9527	347	0.9885	0.9885	0.9885	347	0.9091	0.9222	0.9156	347	0.9414	0.9488	0.9451	0.9961
0.0935	8.05	1413	0.0369	0.9368	0.9395	0.9381	347	0.9569	0.9597	0.9583	347	0.9772	0.9885	0.9828	347	0.9143	0.9222	0.9182	347	0.9463	0.9524	0.9494	0.9960
0.038	9.05	1570	0.0343	0.9282	0.9308	0.9295	347	0.9624	0.9597	0.9610	347	0.9885	0.9885	0.9885	347	0.9206	0.9020	0.9112	347	0.9500	0.9452	0.9476	0.9958
0.038	10.05	1727	0.0317	0.9395	0.9395	0.9395	347	0.9598	0.9625	0.9612	347	0.9885	0.9885	0.9885	347	0.9280	0.9280	0.9280	347	0.9539	0.9546	0.9543	0.9963
0.038	11.05	1884	0.0312	0.9368	0.9395	0.9381	347	0.9514	0.9597	0.9555	347	0.9885	0.9885	0.9885	347	0.9226	0.9280	0.9253	347	0.9498	0.9539	0.9518	0.9960
0.0236	12.05	2041	0.0318	0.9368	0.9395	0.9381	347	0.9570	0.9625	0.9598	347	0.9885	0.9885	0.9885	347	0.9043	0.8991	0.9017	347	0.9467	0.9474	0.9471	0.9956
0.0236	13.05	2198	0.0291	0.9337	0.9337	0.9337	347	0.9598	0.9625	0.9612	347	0.9885	0.9885	0.9885	347	0.9164	0.9164	0.9164	347	0.9496	0.9503	0.9499	0.9960
0.0236	14.05	2355	0.0300	0.9286	0.9366	0.9326	347	0.9459	0.9568	0.9513	347	0.9885	0.9885	0.9885	347	0.9275	0.9222	0.9249	347	0.9476	0.9510	0.9493	0.9959
0.0178	15.05	2512