/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
layoutlm · dense
Опубликована
2 мар 2022

layoutlm-base-uncased

Языковая модель9 профессий

Предобученная мультимодальная модель Microsoft для понимания структуры документов и извлечения информации из форм, чеков и изображений страниц.

118 тыс.скачиваний за 30 дней63лайкавеса обновлены16 апр 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

LayoutLM Base Uncased — модель Microsoft Document AI для понимания изображений документов и извлечения из них информации. Она предварительно обучена на сочетании текста, пространственного расположения элементов и изображения документа, чтобы учитывать не только содержание, но и структуру страницы.

Модель предназначена для задач обработки форм и чеков, а также других сценариев анализа документов. Архитектура LayoutLM содержит 12 слоёв, скрытый размер 768 и 12 голов внимания; размер по метаданным — 136,7 млн параметров. Модель принимает текстовые данные с координатами элементов и изображение документа; заявленная длина контекста составляет 512 токенов. В карточке указаны английский язык и форматы PyTorch, Safetensors и TensorFlow.

Модель обучена на наборе IIT-CDIP Test Collection 1.0. Для применения требуется учитывать расположение текста на странице; карточка описывает предобученный метод, но не приводит подробностей по оценке качества на конкретной задаче или ограничениям эксплуатации. Лицензия — MIT.

Сценарии применения

  • извлечение полей из заполненных форм
  • распознавание структуры и содержимого чеков
  • анализ расположения текста на изображении документа
  • подготовка представлений документов для последующей классификации

Ограничения

Для использования с изображениями документов необходимо учитывать координаты и расположение текстовых элементов. Карточка не приводит подробностей об оценке качества для конкретных прикладных задач.

Для каких профессий подходит9

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

LayoutLM

Multimodal (text + layout/format + image) pre-training for document AI

Microsoft Document AI | GitHub

Model description

LayoutLM is a simple but effective pre-training method of text and layout for document image understanding and information extraction tasks, such as form understanding and receipt understanding. LayoutLM archives the SOTA results on multiple datasets. For more details, please refer to our paper:

LayoutLM: Pre-training of Text and Layout for Document Image Understanding Yiheng Xu, Minghao Li, Lei Cui, Shaohan Huang, Furu Wei, Ming Zhou, KDD 2020

Training data

We pre-train LayoutLM on IIT-CDIP Test Collection 1.0* dataset with two settings.

  • LayoutLM-Base, Uncased (11M documents, 2 epochs): 12-layer, 768-hidden, 12-heads, 113M parameters (This Model)
  • LayoutLM-Large, Uncased (11M documents, 2 epochs): 24-layer, 1024-hidden, 16-heads, 343M parameters

Citation

If you find LayoutLM useful in your research, please cite the following paper:

@misc{xu2019layoutlm,
    title={LayoutLM: Pre-training of Text and Layout for Document Image Understanding},
    author={Yiheng Xu and Minghao Li and Lei Cui and Shaohan Huang and Furu Wei and Ming Zhou},
    year={2019},
    eprint={1912.13318},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Ревизия весов
30e3cdd

0 моделей