Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: MIT
Архитектура: layoutlm · dense
Базовая модель: layoutlm-base-uncased-finetuned-invoices-0
Библиотека: transformers
Опубликована: 24 сен 2024

Ссылки

Hugging Face

layoutlm-base-uncased-finetuned-invoices-1

riteshbehera857

Разметка токеновТекст → label5 профессий

Дообученная LayoutLM для извлечения реквизитов и сумм из счетов и накладных.

8скачиваний за 30 дней0лайковвеса обновлены24 сен 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

riteshbehera857/layoutlm-base-uncased-finetuned-invoices-1 — модель LayoutLM, дообученная для извлечения полей из счетов и накладных с помощью классификации токенов. Она размечает адреса и имена покупателя и поставщика, номер GST, номер счета, дату и идентификатор заказа, а также суммы до и после налогообложения. Архитектура LayoutLM учитывает текст и его расположение в документе; размер модели — 136,7 млн параметров, контекст — до 512 токенов. Для работы с документами модели нужны распознанные слова и их координаты; исходное изображение она напрямую не принимает.

В README приведены результаты на оценочной выборке: общая точность 0,9945 и F1 0,9837. Эти показатели относятся к указанной выборке и не гарантируют такое же качество на других шаблонах счетов. Не описаны обучающий датасет и ограничения применения. Модель распространяется по лицензии MIT.

Сценарии применения

извлечение адресов и имён покупателя и поставщика из счетов
распознавание номера счета и номера заказа
извлечение даты заказа
выделение номера GST
извлечение сумм до и после налогообложения

Ограничения

Результаты оценки относятся к выборке из README; качество на документах с другими шаблонами не установлено. Для обработки требуются текст и координаты элементов документа, а не только изображение.

Для каких профессий подходит5

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 IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели

Также подходит для

IV.7Цепочки поставок, склады, логистика и международная торговля

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

layoutlm-base-uncased-finetuned-invoices-1

This model is a fine-tuned version of riteshbehera857/layoutlm-base-uncased-finetuned-invoices-0 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0241
B-adress: {'precision': 0.9670050761421319, 'recall': 0.9621212121212122, 'f1': 0.9645569620253166, 'number': 1188}
B-name: {'precision': 0.9629629629629629, 'recall': 0.9854227405247813, 'f1': 0.9740634005763689, 'number': 343}
Gst no: {'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}
Invoice no: {'precision': 0.9727272727272728, 'recall': 0.981651376146789, 'f1': 0.9771689497716896, 'number': 109}
Order date: {'precision': 0.9841269841269841, 'recall': 0.9763779527559056, 'f1': 0.9802371541501976, 'number': 127}
Order id: {'precision': 0.9769230769230769, 'recall': 0.9769230769230769, 'f1': 0.9769230769230769, 'number': 130}
S-adress: {'precision': 0.9961221522055259, 'recall': 0.9961221522055259, 'f1': 0.9961221522055259, 'number': 2063}
S-name: {'precision': 0.9838383838383838, 'recall': 0.9979508196721312, 'f1': 0.9908443540183113, 'number': 488}
Total gross: {'precision': 0.9482758620689655, 'recall': 1.0, 'f1': 0.9734513274336283, 'number': 55}
Total net: {'precision': 0.984, 'recall': 0.9919354838709677, 'f1': 0.9879518072289156, 'number': 124}
Overall Precision: 0.9822
Overall Recall: 0.9853
Overall F1: 0.9837
Overall Accuracy: 0.9945

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 16
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 10
num_epochs: 15

Training results

Training Loss	Epoch	Step	Validation Loss	B-adress	B-name	Gst no	Invoice no	Order date	Order id	S-adress	S-name	Total gross	Total net	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
0.0357	1.0	19	0.0235	{'precision': 0.9775280898876404, 'recall': 0.952020202020202, 'f1': 0.9646055437100214, 'number': 1188}	{'precision': 0.9630681818181818, 'recall': 0.9883381924198251, 'f1': 0.9755395683453237, 'number': 343}	{'precision': 0.976, 'recall': 0.9838709677419355, 'f1': 0.9799196787148594, 'number': 124}	{'precision': 0.963963963963964, 'recall': 0.981651376146789, 'f1': 0.9727272727272728, 'number': 109}	{'precision': 0.9841269841269841, 'recall': 0.9763779527559056, 'f1': 0.9802371541501976, 'number': 127}	{'precision': 0.9770992366412213, 'recall': 0.9846153846153847, 'f1': 0.9808429118773947, 'number': 130}	{'precision': 0.9875060067275349, 'recall': 0.9961221522055259, 'f1': 0.9917953667953667, 'number': 2063}	{'precision': 0.9779116465863453, 'recall': 0.9979508196721312, 'f1': 0.9878296146044625, 'number': 488}	{'precision': 0.8208955223880597, 'recall': 1.0, 'f1': 0.9016393442622952, 'number': 55}	{'precision': 0.968, 'recall': 0.9758064516129032, 'f1': 0.9718875502008033, 'number': 124}	0.9782	0.9827	0.9805	0.9935
0.0318	2.0	38	0.0267	{'precision': 0.9350441058540497, 'recall': 0.9814814814814815, 'f1': 0.957700205338809, 'number': 1188}	{'precision': 0.9797101449275363, 'recall': 0.9854227405247813, 'f1': 0.9825581395348838, 'number': 343}	{'precision': 0.9384615384615385, 'recall': 0.9838709677419355, 'f1': 0.9606299212598426, 'number': 124}	{'precision': 0.9380530973451328, 'recall': 0.9724770642201835, 'f1': 0.954954954954955, 'number': 109}	{'precision': 0.9763779527559056, 'recall': 0.9763779527559056, 'f1': 0.9763779527559056, 'number': 127}	{'precision': 0.9621212121212122, 'recall': 0.9769230769230769, 'f1': 0.9694656488549619, 'number': 130}	{'precision': 0.9837476099426387, 'recall': 0.9975763451284537, 'f1': 0.9906137184115523, 'number': 2063}	{'precision': 0.9876796714579056, 'recall': 0.985655737704918, 'f1': 0.9866666666666666, 'number': 488}	{'precision': 0.8870967741935484, 'recall': 1.0, 'f1': 0.9401709401709402, 'number': 55}	{'precision': 0.9831932773109243, 'recall': 0.9435483870967742, 'f1': 0.962962962962963, 'number': 124}	0.9670	0.9880	0.9774	0.9925
0.0251	3.0	57	0.0237	{'precision': 0.96, 'recall': 0.9696969696969697, 'f1': 0.964824120603015, 'number': 1188}	{'precision': 0.9712643678160919, 'recall': 0.9854227405247813, 'f1': 0.9782923299565845, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.9464285714285714, 'recall': 0.9724770642201835, 'f1': 0.9592760180995474, 'number': 109}	{'precision': 0.9841269841269841, 'recall': 0.9763779527559056, 'f1': 0.9802371541501976, 'number': 127}	{'precision': 0.9694656488549618, 'recall': 0.9769230769230769, 'f1': 0.9731800766283524, 'number': 130}	{'precision': 0.995635305528613, 'recall': 0.9951526902569074, 'f1': 0.9953939393939395, 'number': 2063}	{'precision': 0.9817813765182186, 'recall': 0.9938524590163934, 'f1': 0.9877800407331976, 'number': 488}	{'precision': 0.9016393442622951, 'recall': 1.0, 'f1': 0.9482758620689655, 'number': 55}	{'precision': 0.953125, 'recall': 0.9838709677419355, 'f1': 0.9682539682539683, 'number': 124}	0.9783	0.9859	0.9821	0.9941
0.0208	4.0	76	0.0241	{'precision': 0.9670050761421319, 'recall': 0.9621212121212122, 'f1': 0.9645569620253166, 'number': 1188}	{'precision': 0.9629629629629629, 'recall': 0.9854227405247813, 'f1': 0.9740634005763689, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.9727272727272728, 'recall': 0.981651376146789, 'f1': 0.9771689497716896, 'number': 109}	{'precision': 0.9841269841269841, 'recall': 0.9763779527559056, 'f1': 0.9802371541501976, 'number': 127}	{'precision': 0.9769230769230769, 'recall': 0.9769230769230769, 'f1': 0.9769230769230769, 'number': 130}	{'precision': 0.9961221522055259, 'recall': 0.9961221522055259, 'f1': 0.9961221522055259, 'number': 2063}	{'precision': 0.9838383838383838, 'recall': 0.9979508196721312, 'f1': 0.9908443540183113, 'number': 488}	{'precision': 0.9482758620689655, 'recall': 1.0, 'f1': 0.9734513274336283, 'number': 55}	{'precision': 0.984, 'recall': 0.9919354838709677, 'f1': 0.9879518072289156, 'number': 124}	0.9822	0.9853	0.9837	0.9945
0.0174	5.0	95	0.0230	{'precision': 0.9662731871838112, 'recall': 0.9646464646464646, 'f1': 0.9654591406908172, 'number': 1188}	{'precision': 0.976878612716763, 'recall': 0.9854227405247813, 'f1': 0.981132075471698, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.9636363636363636, 'recall': 0.9724770642201835, 'f1': 0.9680365296803652, 'number': 109}	{'precision': 0.9841269841269841, 'recall': 0.9763779527559056, 'f1': 0.9802371541501976, 'number': 127}	{'precision': 0.9694656488549618, 'recall': 0.9769230769230769, 'f1': 0.9731800766283524, 'number': 130}	{'precision': 0.9951620706337687, 'recall': 0.9970916141541445, 'f1': 0.9961259079903148, 'number': 2063}	{'precision': 0.9857433808553971, 'recall': 0.9918032786885246, 'f1': 0.9887640449438202, 'number': 488}	{'precision': 0.9, 'recall': 0.9818181818181818, 'f1': 0.9391304347826087, 'number': 55}	{'precision': 1.0, 'recall': 0.9758064516129032, 'f1': 0.9877551020408163, 'number': 124}	0.9822	0.9848	0.9835	0.9946
0.0137	6.0	114	0.0292	{'precision': 0.9582985821517932, 'recall': 0.9671717171717171, 'f1': 0.9627147046501886, 'number': 1188}	{'precision': 0.9768115942028985, 'recall': 0.9825072886297376, 'f1': 0.9796511627906976, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.954954954954955, 'recall': 0.9724770642201835, 'f1': 0.9636363636363636, 'number': 109}	{'precision': 0.9841269841269841, 'recall': 0.9763779527559056, 'f1': 0.9802371541501976, 'number': 127}	{'precision': 0.9694656488549618, 'recall': 0.9769230769230769, 'f1': 0.9731800766283524, 'number': 130}	{'precision': 0.9941747572815534, 'recall': 0.9927290353853612, 'f1': 0.9934513703613873, 'number': 2063}	{'precision': 0.972, 'recall': 0.9959016393442623, 'f1': 0.9838056680161944, 'number': 488}	{'precision': 0.9473684210526315, 'recall': 0.9818181818181818, 'f1': 0.9642857142857142, 'number': 55}	{'precision': 0.9534883720930233, 'recall': 0.9919354838709677, 'f1': 0.9723320158102766, 'number': 124}	0.9774	0.9842	0.9808	0.9937
0.0133	7.0	133	0.0291	{'precision': 0.9573221757322176, 'recall': 0.9629629629629629, 'f1': 0.9601342845153168, 'number': 1188}	{'precision': 0.9824561403508771, 'recall': 0.9795918367346939, 'f1': 0.981021897810219, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.9553571428571429, 'recall': 0.981651376146789, 'f1': 0.9683257918552036, 'number': 109}	{'precision': 0.9841269841269841, 'recall': 0.9763779527559056, 'f1': 0.9802371541501976, 'number': 127}	{'precision': 0.9769230769230769, 'recall': 0.9769230769230769, 'f1': 0.9769230769230769, 'number': 130}	{'precision': 0.9965294992563213, 'recall': 0.9743092583616093, 'f1': 0.9852941176470588, 'number': 2063}	{'precision': 0.9052044609665427, 'recall': 0.9979508196721312, 'f1': 0.949317738791423, 'number': 488}	{'precision': 0.9473684210526315, 'recall': 0.9818181818181818, 'f1': 0.9642857142857142, 'number': 55}	{'precision': 0.968503937007874, 'recall': 0.9919354838709677, 'f1': 0.9800796812749005, 'number': 124}	0.9715	0.9754	0.9734	0.9924
0.0119	8.0	152	0.0298	{'precision': 0.9609958506224067, 'recall': 0.9747474747474747, 'f1': 0.9678228165482657, 'number': 1188}	{'precision': 0.9824561403508771, 'recall': 0.9795918367346939, 'f1': 0.981021897810219, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.954954954954955, 'recall': 0.9724770642201835, 'f1': 0.9636363636363636, 'number': 109}	{'precision': 0.9838709677419355, 'recall': 0.9606299212598425, 'f1': 0.9721115537848605, 'number': 127}	{'precision': 0.9694656488549618, 'recall': 0.9769230769230769, 'f1': 0.9731800766283524, 'number': 130}	{'precision': 0.9965260545905708, 'recall': 0.9733397964129908, 'f1': 0.984796468857283, 'number': 2063}	{'precision': 0.9018518518518519, 'recall': 0.9979508196721312, 'f1': 0.9474708171206225, 'number': 488}	{'precision': 0.9473684210526315, 'recall': 0.9818181818181818, 'f1': 0.9642857142857142, 'number': 55}	{'precision': 0.984, 'recall': 0.9919354838709677, 'f1': 0.9879518072289156, 'number': 124}	0.9722	0.9773	0.9747	0.9930
0.0108	9.0	171	0.0323	{'precision': 0.9576059850374065, 'recall': 0.9696969696969697, 'f1': 0.9636135508155584, 'number': 1188}	{'precision': 0.9768115942028985, 'recall': 0.9825072886297376, 'f1': 0.9796511627906976, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.9553571428571429, 'recall': 0.981651376146789, 'f1': 0.9683257918552036, 'number': 109}	{'precision': 0.984, 'recall': 0.968503937007874, 'f1': 0.976190476190476, 'number': 127}	{'precision': 0.9769230769230769, 'recall': 0.9769230769230769, 'f1': 0.9769230769230769, 'number': 130}	{'precision': 0.9946157611355849, 'recall': 0.984973339796413, 'f1': 0.9897710667316123, 'number': 2063}	{'precision': 0.9400386847195358, 'recall': 0.9959016393442623, 'f1': 0.9671641791044776, 'number': 488}	{'precision': 0.9464285714285714, 'recall': 0.9636363636363636, 'f1': 0.9549549549549549, 'number': 55}	{'precision': 0.9838709677419355, 'recall': 0.9838709677419355, 'f1': 0.9838709677419355, 'number': 124}	0.9749	0.9811	0.9780	0.9934
0.01	10.0	190	0.0308	{'precision': 0.9553719008264463, 'recall': 0.9730639730639731, 'f1': 0.9641367806505421, 'number': 1188}	{'precision': 0.9768115942028985, 'recall': 0.9825072886297376, 'f1': 0.9796511627906976, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.9553571428571429, 'recall': 0.981651376146789, 'f1': 0.9683257918552036, 'number': 109}	{'precision': 0.984, 'recall': 0.968503937007874, 'f1': 0.976190476190476, 'number': 127}	{'precision': 0.9769230769230769, 'recall': 0.9769230769230769, 'f1': 0.9769230769230769, 'number': 130}	{'precision': 0.9951028403525954, 'recall': 0.984973339796413, 'f1': 0.9900121802679658, 'number': 2063}	{'precision': 0.939922480620155, 'recall': 0.9938524590163934, 'f1': 0.9661354581673307, 'number': 488}	{'precision': 0.9473684210526315, 'recall': 0.9818181818181818, 'f1': 0.9642857142857142, 'number': 55}	{'precision': 0.984, 'recall': 0.9919354838709677, 'f1': 0.9879518072289156, 'number': 124}	0.9745	0.9821	0.9783	0.9936
0.0093	11.0	209	0.0314	{'precision': 0.9599332220367279, 'recall': 0.968013468013468, 'f1': 0.9639564124056998, 'number': 1188}	{'precision': 0.9795918367346939, 'recall': 0.9795918367346939, 'f1': 0.9795918367346939, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.9553571428571429, 'recall': 0.981651376146789, 'f1': 0.9683257918552036, 'number': 109}	{'precision': 0.984, 'recall': 0.968503937007874, 'f1': 0.976190476190476, 'number': 127}	{'precision': 0.9769230769230769, 'recall': 0.9769230769230769, 'f1': 0.9769230769230769, 'number': 130}	{'precision': 0.995551161641127, 'recall': 0.9762481822588464, 'f1': 0.9858051884483603, 'number': 2063}	{'precision': 0.908411214953271, 'recall': 0.9959016393442623, 'f1': 0.9501466275659824, 'number': 488}	{'precision': 0.9473684210526315, 'recall': 0.9818181818181818, 'f1': 0.9642857142857142, 'number': 55}	{'precision': 0.9761904761904762, 'recall': 0.9919354838709677, 'f1': 0.9840000000000001, 'number': 124}	0.9721	0.9771	0.9746	0.9928
0.008	12.0	228	0.0327	{'precision': 0.957464553794829, 'recall': 0.9663299663299664, 'f1': 0.9618768328445748, 'number': 1188}	{'precision': 0.9767441860465116, 'recall': 0.9795918367346939, 'f1': 0.9781659388646288, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.9553571428571429, 'recall': 0.981651376146789, 'f1': 0.9683257918552036, 'number': 109}	{'precision': 0.984, 'recall': 0.968503937007874, 'f1': 0.976190476190476, 'number': 127}	{'precision': 0.9769230769230769, 'recall': 0.9769230769230769, 'f1': 0.9769230769230769, 'number': 130}	{'precision': 0.9955423476968797, 'recall': 0.9743092583616093, 'f1': 0.9848113669769721, 'number': 2063}	{'precision': 0.9014869888475836, 'recall': 0.9938524590163934, 'f1': 0.9454191033138402, 'number': 488}	{'precision': 0.9473684210526315, 'recall': 0.9818181818181818, 'f1': 0.9642857142857142, 'number': 55}	{'precision': 0.9761904761904762, 'recall': 0.9919354838709677, 'f1': 0.9840000000000001, 'number': 124}	0.9705	0.9756	0.9730	0.9924
0.0077	13.0	247	0.0328	{'precision': 0.9623745819397993, 'recall': 0.9688552188552189, 'f1': 0.9656040268456376, 'number': 1188}	{'precision': 0.9767441860465116, 'recall': 0.9795918367346939, 'f1': 0.9781659388646288, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.9553571428571429, 'recall': 0.981651376146789, 'f1': 0.9683257918552036, 'number': 109}	{'precision': 0.984, 'recall': 0.968503937007874, 'f1': 0.976190476190476, 'number': 127}	{'precision': 0.9769230769230769, 'recall': 0.9769230769230769, 'f1': 0.9769230769230769, 'number': 130}	{'precision': 0.9960356788899901, 'recall': 0.9743092583616093, 'f1': 0.9850526831658908, 'number': 2063}	{'precision': 0.9016697588126159, 'recall': 0.9959016393442623, 'f1': 0.9464459591041869, 'number': 488}	{'precision': 0.9473684210526315, 'recall': 0.9818181818181818, 'f1': 0.9642857142857142, 'number': 55}	{'precision': 0.9761904761904762, 'recall': 0.9919354838709677, 'f1': 0.9840000000000001, 'number': 124}	0.9719	0.9764	0.9742	0.9928
0.0075	14.0	266	0.0331	{'precision': 0.9607023411371237, 'recall': 0.9671717171717171, 'f1': 0.9639261744966443, 'number': 1188}	{'precision': 0.9767441860465116, 'recall': 0.9795918367346939, 'f1': 0.9781659388646288, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.9553571428571429, 'recall': 0.981651376146789, 'f1': 0.9683257918552036, 'number': 109}	{'precision': 0.984, 'recall': 0.968503937007874, 'f1': 0.976190476190476, 'number': 127}	{'precision': 0.9769230769230769, 'recall': 0.9769230769230769, 'f1': 0.9769230769230769, 'number': 130}	{'precision': 0.9960356788899901, 'recall': 0.9743092583616093, 'f1': 0.9850526831658908, 'number': 2063}	{'precision': 0.9016697588126159, 'recall': 0.9959016393442623, 'f1': 0.9464459591041869, 'number': 488}	{'precision': 0.9464285714285714, 'recall': 0.9636363636363636, 'f1': 0.9549549549549549, 'number': 55}	{'precision': 0.984, 'recall': 0.9919354838709677, 'f1': 0.9879518072289156, 'number': 124}	0.9717	0.9758	0.9737	0.9927
0.0076	15.0	285	0.0333	{'precision': 0.9607023411371237, 'recall': 0.9671717171717171, 'f1': 0.9639261744966443, 'number': 1188}	{'precision': 0.9767441860465116, 'recall': 0.9795918367346939, 'f1': 0.9781659388646288, 'number': 343}	{'precision': 0.9682539682539683, 'recall': 0.9838709677419355, 'f1': 0.976, 'number': 124}	{'precision': 0.9553571428571429, 'recall': 0.981651376146789, 'f1': 0.9683257918552036, 'number': 109}	{'precision': 0.984, 'recall': 0.968503937007874, 'f1': 0.976190476190476, 'number': 127}	{'precision': 0.9769230769230769, 'recall': 0.9769230769230769, 'f1': 0.9769230769230769, 'number': 130}	{'precision': 0.996039603960396, 'recall': 0.9752787203102278, 'f1': 0.9855498408033309, 'number': 2063}	{'precision': 0.9050279329608939, 'recall': 0.9959016393442623, 'f1': 0.9482926829268293, 'number': 488}	{'precision': 0.9464285714285714, 'recall': 0.9636363636363636, 'f1': 0.9549549549549549, 'number': 55}	{'precision': 0.9761904761904762, 'recall': 0.9919354838709677, 'f1': 0.9840000000000001, 'number': 124}	0.9719	0.9762	0.9741	0.9927

Framework versions

Transformers 4.44.2
Pytorch 2.4.1+cu121
Datasets 3.0.0
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: LayoutLMForTokenClassification
Ревизия весов: 93df9a5