/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Архитектура
layoutlmv3 · dense
Опубликована
10 июл 2024

layoutlmv3-base-finetuned-rvlcdip

Классификация текстаТекст → label6 профессий

Дообученная LayoutLMv3-base классифицирует документы по визуальным и OCR-признакам в задаче RVL-CDIP.

690скачиваний за 30 дней1лайквеса обновлены10 июл 2024

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

Модель gordonlim/layoutlmv3-base-finetuned-rvlcdip — дообученная Microsoft LayoutLMv3-base для классификации документов по датасету RVL-CDIP с OCR-текстом, извлечённым Amazon OCR. Она сочетает визуальную информацию страницы с распознанным текстом и его расположением; число параметров — 151,8 млн, контекст — 514 токенов.

Модель предназначена для отнесения документов к классам RVL-CDIP. На оценочной выборке автор сообщает точность около 95,2% и взвешенную F1 около 95,2%; эти показатели относятся к указанному набору данных и не гарантируют такого же качества на других документах. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • классификация документов по типу
  • сортировка сканов по категориям
  • автоматическая маршрутизация входящих документов
  • распознавание типа страницы в архиве

Ограничения

Метрики получены на оценочной выборке RVL-CDIP и могут не переноситься на другие типы документов или качество сканов. Для применения требуются визуальное представление страницы и соответствующие OCR-текстовые данные; лицензия в предоставленных сведениях отсутствует.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

layoutlmv3-base-finetuned-rvlcdip

This model is a fine-tuned version of microsoft/layoutlmv3-base on the RVL-CDIP dataset processed using Amazon OCR. The following metrics were computed on the evaluation set after the final optimization step:

  • Evaluation Loss: 0.1856316477060318
  • Evaluation Accuracy: 0.9519237980949524
  • Evaluation Weighted F1: 0.9518911690649716
  • Evaluation Micro F1: 0.9519237980949524
  • Evaluation Macro F1: 0.9518042570370386
  • Evaluation Weighted Recall: 0.9519237980949524
  • Evaluation Micro Recall: 0.9519237980949524
  • Evaluation Macro Recall: 0.9518171728908463
  • Evaluation Weighted Precision: 0.9519094862975979
  • Evaluation Micro Precision: 0.9519237980949524
  • Evaluation Macro Precision: 0.9518423447239385
  • Evaluation Runtime (seconds): 514.7031
  • Evaluation Samples per Second: 77.713
  • Evaluation Steps per Second: 1.214

Training logs

See wandb report: https://api.wandb.ai/links/gordon-lim/lokqu7ok

Training arguments

The following arguments were provided to Trainer:

  • Output Directory: ./results
  • Maximum Steps: 20000
  • Per Device Train Batch Size: 32 (due to CUDA memory constraints; paper uses 64, trained using 2 GPUs so 32 * 2 effective batch size)
  • Per Device Evaluation Batch Size: 32 (due to CUDA memory constraints)
  • Warmup Steps: 0 (not specified in paper, but warmup ratio is used for DocVQA, hence assumed default)
  • Weight Decay: 0 (not specified in paper for RVL-CDIP, but 0.05 for PubLayNet, hence assumed default)
  • Evaluation Strategy: steps
  • Evaluation Steps: 1000
  • Evaluate on Start: True
  • Save Strategy: steps
  • Save Steps: 1000
  • Save Total Limit: 5
  • Learning Rate: 2e-5
  • Load Best Model at End: True
  • Metric for Best Model: accuracy
  • Greater is Better: True
  • Report to: wandb (log to Weights & Biases)
  • Logging Steps: 1000
  • Logging First Step: True
  • Learning Rate Scheduler Type: cosine (not mentioned in paper, but PubLayNet GitHub example uses 'cosine')
  • FP16: True (due to CUDA memory constraints)
  • Dataloader Number of Workers: 4 (number of subprocesses to use for data loading)
  • DDP Find Unused Parameters: True

Framework versions

  • Transformers 4.42.3
  • Pytorch 2.2.0+cu121
  • Datasets 2.14.0
  • Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
LayoutLMv3ForSequenceClassification
Ревизия весов
d049bf0

0 моделей