关于人工智能:2基于Label-studio的训练数据标注指南智能文档文档抽取任务PDF表格图片抽取标注等

文档抽取工作 Label Studio 使用指南

1. 基于 Label studio 的训练数据标注指南：信息抽取（实体关系抽取）、文本分类等

2. 基于 Label studio 的训练数据标注指南：（智能文档）文档抽取工作、PDF、表格、图片抽取标注等

3. 基于 Label studio 的训练数据标注指南：文本分类工作

4. 基于 Label studio 的训练数据标注指南：情感剖析工作观点词抽取、属性抽取

目录

• 1. 装置

• 2. 文档抽取工作标注

  • 2.1 我的项目创立
  • 2.2 数据上传
  • 2.3 标签构建
  • 2.4 工作标注
  • 2.5 数据导出
  • 2.6 数据转换
  • 2.7 更多配置

1. 装置

以下标注示例用到的环境配置：

• Python 3.8+
• label-studio == 1.7.1
• paddleocr >= 2.6.0.1

在终端 (terminal) 应用 pip 装置 label-studio：

pip install label-studio==1.7.1

装置实现后，运行以下命令行：

label-studio start

在浏览器关上 http://localhost:8080/，输出用户名和明码登录，开始应用 label-studio 进行标注。

2. 文档抽取工作标注

2.1 我的项目创立

点击创立（Create）开始创立一个新的我的项目，填写项目名称、形容，而后抉择Object Detection with Bounding Boxes。

• 填写项目名称、形容

• 命名实体辨认、关系抽取、事件抽取、实体 / 评估维度分类 工作抉择 Object Detection with Bounding Boxes`

• 文档分类 工作抉择 Image Classification`
• 增加标签(也可跳过后续在 Setting/Labeling Interface 中增加)

图中展现了 Span 实体类型标签的构建，其余类型标签的构建可参考 2.3 标签构建

2.2 数据上传

先从本地或 HTTP 链接上传图片，而后抉择导入本我的项目。

2.3 标签构建

• Span 实体类型标签

• Relation 关系类型标签

Relation XML 模板：

  <Relations>
    <Relation value="单位"/>
    <Relation value="数量"/>
    <Relation value="金额"/>
  </Relations>

• 分类类别标签

2.4 工作标注

• 实体抽取
• 标注示例：

• 该标注示例对应的 schema 为：

schema = ['开票日期', '名称', '纳税人辨认号', '地址、电话', '开户行及账号', '金   额', '税额', '价税共计', 'No', '税率']

• 关系抽取
• Step 1. 标注主体（Subject）及客体（Object）

• Step 2. 关系连线，箭头方向由主体（Subject）指向客体（Object）

• Step 3. 增加对应关系类型标签

• Step 4. 实现标注

• 该标注示例对应的 schema 为：

schema = {
    '名称及规格': [
        '金额',
        '单位',
        '数量'
    ]
}

• 文档分类
• 标注示例

• 该标注示例对应的 schema 为：

schema = '文档类别[发票，报关单]'

2.5 数据导出

勾选已标注图片 ID，抉择导出的文件类型为JSON，导出数据：

2.6 数据转换

将导出的文件重命名为 label_studio.json 后，放入 ./document/data 目录下，并将对应的标注图片放入 ./document/data/images 目录下（图片的文件名需与上传到 label studio 时的命名统一）。通过 label\_studio.py 脚本可转为 UIE 的数据格式。

• 门路示例

./document/data/
├── images # 图片目录
│   ├── b0.jpg # 原始图片（文件名需与上传到 label studio 时的命名统一）│   └── b1.jpg
└── label_studio.json # 从 label studio 导出的标注文件

• 抽取式工作

python label_studio.py \
    --label_studio_file ./document/data/label_studio.json \
    --save_dir ./document/data \
    --splits 0.8 0.1 0.1\
    --task_type ext

• 文档分类工作

python label_studio.py \
    --label_studio_file ./document/data/label_studio.json \
    --save_dir ./document/data \
    --splits 0.8 0.1 0.1 \
    --task_type cls \
    --prompt_prefix "文档类别" \
    --options "发票" "报关单"

2.7 更多配置

• label_studio_file: 从 label studio 导出的数据标注文件。
• save_dir: 训练数据的保留目录，默认存储在 data 目录下。
• negative_ratio: 最大负例比例，该参数只对抽取类型工作无效，适当结构负例可晋升模型成果。负例数量和理论的标签数量无关，最大负例数量 = negative\_ratio * 正例数量。该参数只对训练集无效，默认为 5。为了保障评估指标的准确性，验证集和测试集默认结构全负例。
• splits: 划分数据集时训练集、验证集所占的比例。默认为 0.8, 0.1, 0.1 示意依照 8:1:1 的比例将数据划分为训练集、验证集和测试集。
• task_type: 抉择工作类型，可选有抽取和分类两种类型的工作。
• options: 指定分类工作的类别标签，该参数只对分类类型工作无效。默认为 ” 正向 ”, “ 负向 ”。
• prompt_prefix: 申明分类工作的 prompt 前缀信息，该参数只对分类类型工作无效。默认为 ” 情感偏向 ”。
• is_shuffle: 是否对数据集进行随机打散，默认为 True。
• seed: 随机种子，默认为 1000.
• separator: 实体类别 / 评估维度与分类标签的分隔符，该参数只对实体 / 评估维度分类工作无效。默认为 ”##”。
• schema_lang：抉择 schema 的语言，将会应该训练数据 prompt 的结构形式，可选有 ch 和en。默认为ch。
• ocr_lang：抉择 OCR 的语言，可选有 ch 和en。默认为ch。
• layout_analysis：是否应用 PPStructure 对文档进行布局剖析，该参数只对文档类型标注工作无效。默认为 False。

备注：

• 默认状况下 label\_studio.py 脚本会依照比例将数据划分为 train/dev/test 数据集
• 每次执行 label\_studio.py 脚本，将会笼罩已有的同名数据文件
• 在模型训练阶段咱们举荐结构一些负例以晋升模型成果，在数据转换阶段咱们内置了这一性能。可通过 negative_ratio 管制主动结构的负样本比例；负样本数量 = negative\_ratio * 正样本数量。
• 对于从 label\_studio 导出的文件，默认文件中的每条数据都是通过人工正确标注的。

References

• Label Studio