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

31次阅读

共计 2792 个字符,预计需要花费 7 分钟才能阅读完成。

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 chen。默认为ch
  • ocr_lang:抉择 OCR 的语言,可选有 chen。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

正文完
 0