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