chinese-layoutlm-v2
chinese-layoutlm-v2 copied to clipboard
xueyongfu
数据集数量
您好，我在使用layoutlmv3模型抽取一些英文发票信息，但是有很多家厂商的发票基本都版式不一样，我想请教您一下大概我每一个厂商需要标注多少张发票呀
我的理解是layoutlm系列版本都是版式free的，如果每个版式都标注一些，效果应该会更好。 具体标注，如果是可解析文档，就直接在文档中插入批注，然后用工具解析出标注结果，如果是不可解析的文档，会直接转成图片后标注
我的理解是layoutlm系列版本都是版式free的，如果每个版式都标注一些，效果应该会更好。 具体标注，如果是可解析文档，就直接在文档中插入批注，然后用工具解析出标注结果，如果是不可解析的文档，会直接转成图片后标注
好的多谢您的解答
你好，请问一下数据具体怎么标注呢？可以交流学习一下吗？
外网有一个标注工具叫UBIAI,这个标注工具可以直接导出来训练模型所需的格式，但是它免费版本一个月好像最多标注5张，其他要付费，如果是个人研究的话 1：我是先用paddle_ocr对每一张PDF转PNG后进行解析，得到OCR后的json文件 2：后面用labelimg这个标注工具去标注需要抽取信息的类别（导出的时候选择CreateML格式）也是一个json文件 3：最后将这两个json文件进行匹配后得到新的有OCR解析和label的json文件 4：最后写代码转化为那种bioe的格式
数据处理或者数据管理可以参考这个文章：Glean: Structured Extractions from Templatic Documents
非常感谢您的提示
---原始邮件--- 发件人: @.> 发送时间: 2022年9月19日(周一) 上午10:12 收件人: @.>; 抄送: @.@.>; 主题: Re: [xueyongfu/chinese-layoutlm-v2] 数据集数量 (Issue #5)
数据处理或者数据管理可以参考这个文章：Glean: Structured Extractions from Templatic Documents
— Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: @.***>