Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Архитектура: layoutlmv3 · dense
Опубликована: 11 июн 2022

Ссылки

Hugging Face

layoutlmv3-finetuned-wildreceipt

Theivaprakasham

Разметка токеновТекст → label6 профессий

Дообученная LayoutLMv3 для извлечения и классификации ключевых полей на изображениях чеков.

27скачиваний за 30 дней5лайковвеса обновлены11 июн 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это модель LayoutLMv3, дообученная автором Theivaprakasham на microsoft/layoutlmv3-base для извлечения ключевой информации из изображений чеков. Она размечает токены и текстовые области по категориям данных чеков; обучение и оценка проводились на WildReceipt, содержащем 25 категорий. В модели 151,8 млн параметров, базовая архитектура LayoutLMv3ForTokenClassification, родной контекст — 514 токенов.

На тестовой части WildReceipt модель показала F1 0,8785, точность 0,9249, полноту 0,8799 и loss 0,3108. Она предназначена для извлечения полей из чеков, например для последующей обработки расходов и оцифровки документов. Для работы с изображениями чеков и распознанным текстом требуется учитывать, что качество зависит от данных и условий распознавания; лицензия в предоставленных источниках не указана.

Сценарии применения

извлечение позиций и полей из чеков
разметка текста чеков по категориям
оцифровка чеков для учёта расходов

Ограничения

Оценочные показатели получены на тестовой части WildReceipt и не гарантируют такое же качество на чеках другого вида. Для извлечения данных модель рассчитана на документные изображения и текстовые области.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

layoutlmv3-finetuned-wildreceipt

This model is a fine-tuned version of microsoft/layoutlmv3-base on the wild_receipt dataset. It achieves the following results on the evaluation set:

Loss: 0.3108
Precision: 0.8772
Recall: 0.8799
F1: 0.8785
Accuracy: 0.9249

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

The WildReceipt dataset consists of 1740 receipt images, and contains 25 key information categories, and a total of about 69000 text boxes. 1268 and 472 images are used for training and testing respectively to train the LayoutLMv3 model for Key Information Extraction.

Training procedure

The training code: https://github.com/Theivaprakasham/layoutlmv3/blob/main/training_codes/LayoutLMv3_training_WildReceipts_dataset.ipynb

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 1e-05
train_batch_size: 4
eval_batch_size: 4
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
training_steps: 4000

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	0.32	100	1.3143	0.6709	0.2679	0.3829	0.6700
No log	0.63	200	0.8814	0.6478	0.5195	0.5766	0.7786
No log	0.95	300	0.6568	0.7205	0.6491	0.6829	0.8303
No log	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

Framework versions

Transformers 4.20.0.dev0
Pytorch 1.11.0+cu113
Datasets 2.2.2
Tokenizers 0.12.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: LayoutLMv3ForTokenClassification
Ревизия весов: 53cff40