90 lines
3.4 KiB
Markdown
90 lines
3.4 KiB
Markdown
- [关键信息提取(Key Information Extraction)](#关键信息提取key-information-extraction)
|
||
- [1. 快速使用](#1-快速使用)
|
||
- [2. 执行训练](#2-执行训练)
|
||
- [3. 执行评估](#3-执行评估)
|
||
- [4. 参考文献](#4-参考文献)
|
||
|
||
# 关键信息提取(Key Information Extraction)
|
||
|
||
本节介绍PaddleOCR中关键信息提取SDMGR方法的快速使用和训练方法。
|
||
|
||
SDMGR是一个关键信息提取算法，将每个检测到的文本区域分类为预定义的类别，如订单ID、发票号码，金额等。
|
||
|
||
|
||
## 1. 快速使用
|
||
|
||
训练和测试的数据采用wildreceipt数据集，通过如下指令下载数据集：
|
||
|
||
```
|
||
wget https://paddleocr.bj.bcebos.com/dygraph_v2.1/kie/wildreceipt.tar && tar xf wildreceipt.tar
|
||
```
|
||
|
||
数据集格式：
|
||
```
|
||
./wildreceipt
|
||
├── class_list.txt # box内的文本类别，比如金额、时间、日期等。
|
||
├── dict.txt # 识别的字典文件，数据集中包含的字符列表
|
||
├── wildreceipt_train.txt # 训练数据标签文件
|
||
└── wildreceipt_test.txt # 评估数据标签文件
|
||
└── image_files/ # 图像数据文件夹
|
||
```
|
||
|
||
其中标签文件里的格式为：
|
||
```
|
||
" 图像文件名 json.dumps编码的图像标注信息"
|
||
image_files/Image_16/11/d5de7f2a20751e50b84c747c17a24cd98bed3554.jpeg [{"label": 1, "transcription": "SAFEWAY", "points": [[550.0, 190.0], [937.0, 190.0], [937.0, 104.0], [550.0, 104.0]]}, {"label": 25, "transcription": "TM", "points": [[1048.0, 211.0], [1074.0, 211.0], [1074.0, 196.0], [1048.0, 196.0]]}, {"label": 25, "transcription": "ATOREMGRTOMMILAZZO", "points": [[535.0, 239.0], [833.0, 239.0], [833.0, 200.0], [535.0, 200.0]]}, {"label": 5, "transcription": "703-777-5833", "points": [[907.0, 256.0], [1081.0, 256.0], [1081.0, 223.0], [907.0, 223.0]]}......
|
||
```
|
||
|
||
**注：如果您希望在自己的数据集上训练，建议按照上述数据个数准备数据集。**
|
||
|
||
执行预测：
|
||
|
||
```
|
||
cd PaddleOCR/
|
||
wget https://paddleocr.bj.bcebos.com/dygraph_v2.1/kie/kie_vgg16.tar && tar xf kie_vgg16.tar
|
||
python3.7 tools/infer_kie.py -c configs/kie/kie_unet_sdmgr.yml -o Global.checkpoints=kie_vgg16/best_accuracy Global.infer_img=../wildreceipt/1.txt
|
||
```
|
||
|
||
执行预测后的结果保存在`./output/sdmgr_kie/predicts_kie.txt`文件中，可视化结果保存在`/output/sdmgr_kie/kie_results/`目录下。
|
||
|
||
可视化结果如下图所示：
|
||
|
||
<div align="center">
|
||
<img src="./imgs/0.png" width="800">
|
||
</div>
|
||
|
||
## 2. 执行训练
|
||
|
||
创建数据集软链到PaddleOCR/train_data目录下：
|
||
```
|
||
cd PaddleOCR/ && mkdir train_data && cd train_data
|
||
|
||
ln -s ../../wildreceipt ./
|
||
```
|
||
|
||
训练采用的配置文件是configs/kie/kie_unet_sdmgr.yml，配置文件中默认训练数据路径是`train_data/wildreceipt`，准备好数据后，可以通过如下指令执行训练：
|
||
```
|
||
python3.7 tools/train.py -c configs/kie/kie_unet_sdmgr.yml -o Global.save_model_dir=./output/kie/
|
||
```
|
||
## 3. 执行评估
|
||
|
||
```
|
||
python3.7 tools/eval.py -c configs/kie/kie_unet_sdmgr.yml -o Global.checkpoints=./output/kie/best_accuracy
|
||
```
|
||
|
||
|
||
## 4. 参考文献
|
||
|
||
<!-- [ALGORITHM] -->
|
||
|
||
```bibtex
|
||
@misc{sun2021spatial,
|
||
title={Spatial Dual-Modality Graph Reasoning for Key Information Extraction},
|
||
author={Hongbin Sun and Zhanghui Kuang and Xiaoyu Yue and Chenhao Lin and Wayne Zhang},
|
||
year={2021},
|
||
eprint={2103.14470},
|
||
archivePrefix={arXiv},
|
||
primaryClass={cs.CV}
|
||
}
|
||
```
|