许可证：apache-2.0
数据集：

• empathyai/grocery-ner-dataset
  语言：
• en
  基础模型：
• gliner-community/gliner_large-v2.5
  任务标签：token-classification
  库名称：gliner
  标签：
• ner
• gliner
• groceries

食品杂货命名实体识别模型

重要提示：自5月20日起，所有来自empathyai组织的模型将需要访问申请。请确保您的认证凭证配置正确，以避免服务中断。

这是一个针对识别文本中食品杂货和食品类别进行微调的GLiNER模型。

点击此处查看并试用模型的实际效果！

模型描述

该模型基于grocery-ner-dataset微调，用于识别14种不同类别的食品杂货，包括水果、蔬菜、乳制品等。

支持的实体类型

• 水果蔬菜
• 乳制品、鸡蛋、奶酪、酸奶
• 肉类、鱼类、海鲜
• 冷冻食品、预制餐
• 烘焙、烹饪
• 谷物、罐头、种子
• 面包
• 零食、糕点、甜点
• 冷冻甜点
• 热饮、冷饮
• 酒精饮料
• 香料、酱料
• 世界食品
• 饮食限制、健康、过敏原、生活方式

训练详情

• 基础模型：gliner-community/gliner_medium-v2.5
• 训练数据：empathyai/grocery-ner-dataset
• 批次大小：8
• 学习率：5e-6
• 权重衰减：0.01
• 焦点损失参数：alpha=0.75, gamma=2
• 训练策略：线性学习率，10%预热

使用示例

!pip install gliner  

from gliner import GLiNER  

# 加载模型  
model = GLiNER.from_pretrained("empathyai/gliner_large-v2.5-groceries")  

labels = [  
    "水果蔬菜",  
    "乳制品、鸡蛋、奶酪、酸奶",  
    "肉类、鱼类、海鲜",  
    "冷冻食品、预制餐",  
    "烘焙、烹饪",  
    "谷物、罐头、种子",  
    "面包",  
    "零食、糕点、甜点",  
    "冷冻甜点",  
    "热饮、冷饮",  
    "酒精饮料",  
    "香料、酱料",  
    "世界食品",  
    "饮食限制、健康、过敏原、生活方式"  
]  

# 示例文本  
text = "我需要买牛奶、面包和新鲜苹果"  

# 获取预测结果  
predictions = model.predict_entities(text, labels=labels)  
print(predictions)  

限制

• 仅针对英语文本优化
• 在食品杂货购物和食品相关场景中表现最佳
• 可能无法识别训练数据中未包含的品牌名称或地区性食品