【PaddleNLP-kie】关键信息抽取2：UIE模型做图片信息提取全流程

已于 2023-12-25 09:54:22 修改
阅读量9.5k 收藏 72
点赞数 20
分类专栏： Paddle 文章标签： paddlepaddle uie kie
于 2023-04-24 21:36:50 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/z5z5z5z56/article/details/130346646
版权

文章目录

大模型时代来咯！讲究的就是一个通用！
本文记录我使用PaddleNLP中UIE做增值税发票信息提取的过程，同理适用于任何图片信息提取

首先上个图镇场子，里面红底的就是做图片信息提取，所需要重点关注的文件
在这里插入图片描述

本文参考

UIE理论部分

  • UIE原始论文
    论文阅读笔记
    在这里插入图片描述
    在这里插入图片描述

  • Paddle-UIE-X

UIE(Universal Information Extraction)：Yaojie Lu等人在ACL-2022中提出了通用信息抽取统一框架UIE。该框架实现了实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模，并使得不同任务间具备良好的迁移和泛化能力。为了方便大家使用UIE的强大能力，PaddleNLP借鉴该论文的方法，基于ERNIE 3.0知识增强预训练模型，训练并开源了首个中文通用信息抽取模型UIE。该模型可以支持不限定行业领域和抽取目标的关键信息抽取，实现零样本快速冷启动，并具备优秀的小样本微调能力，快速适配特定的抽取目标。
来源：https://github.com/PaddlePaddle/PaddleNLP/tree/develop/model_zoo/uie

官方大佬对UIEX的解释：https://zhuanlan.zhihu.com/p/592422623
paddle基于论文中的UIE做了修改，论文中的UIE是对text文本字段进行实体抽取、关系抽取、事件抽取、情感分析四种任务处理的，Paddle全新升级UIE-X，除已有纯文本抽取的全部功能外，新增文档抽取能力，具体来说paddle就是在前面增加了paddleOCR的det和rec功能，图片转化为识别出来的文本，再送入进行UIE，再结合布局分析等功能做了优化。UIE-X把这个功能端到端打通了。使用起来非常方便
在这里插入图片描述

step0、UIEX原始模型使用

网页体验

🤗Huggingface hub 正式兼容 PaddleNLP 预训练模型，支持 PaddleNLP Model 和 Tokenizer 直接从 🤗Huggingface hub 下载和上传，欢迎大家在 🤗Huggingface hub 体验 PaddleNLP 预训练模型效果

网页直接体验UIEX原始模型：https://huggingface.co/spaces/PaddlePaddle/UIE-X
输入schema，点击submit即可
在这里插入图片描述

本机安装使用

环境安装

基本都是使用一键预测功能：Taskflow API去做使用的，安装包，引入库，然后就三行代码，就可以使用了，封装得很完善

安装
环境依赖

  • python >= 3.7
  • paddlepaddle >= 2.3
    pip安装
pip install --upgrade paddlenlp

或者可通过以下命令安装最新 develop 分支代码：

pip install --pre --upgrade paddlenlp -f https://www.paddlepaddle.org.cn/whl/paddlenlp.html

更多关于PaddlePaddle和PaddleNLP安装的详细教程请查看get_started。
来源：https://github.com/PaddlePaddle/PaddleNLP#readme

使用docker的环境安装

对于环境依赖，可以直接pull预安装 PaddlePaddle 的镜像，再在docker里面安装paddlenlp

nvidia-docker pull registry.baidubce.com/paddlepaddle/paddle:2.4.2-gpu-cuda11.2-cudnn8.2-trt8.0
#以端口号6666对外提供SSH，挂载物理机data文件夹到虚拟机hdd文件夹
nvidia-docker run --name paddle_docker -it -v /data/:/hdd -p 6666:22 registry.baidubce.com/paddlepaddle/paddle:2.4.2-gpu-cuda11.2-cudnn8.2-trt8.0 /bin/bash
apt-get update
#docker自启动
docker update --restart=always paddle_docker

快速开始

这里以信息抽取-命名实体识别任务，UIE模型为例，来说明如何快速使用PaddleNLP:

  • text类信息提取
    PaddleNLP提供一键预测功能，无需训练，直接输入数据即可开放域抽取结果：
>>> from pprint import pprint
>>> from paddlenlp import Taskflow

>>> schema = ['时间', '选手', '赛事名称'] # Define the schema for entity extraction
>>> ie = Taskflow('information_extraction', schema=schema)
>>> pprint(ie("2月8日上午北京冬奥会自由式滑雪女子大跳台决赛中中国选手谷爱凌以188.25分获得金牌！"))
[{'时间': [{'end': 6,
          'probability': 0.9857378532924486,
          'start': 0,
          'text': '2月8日上午'}],
  '赛事名称': [{'end': 23,
            'probability': 0.8503089953268272,
            'start': 6,
            'text': '北京冬奥会自由式滑雪女子大跳台决赛'}],
  '选手': [{'end': 31,
          'probability': 0.8981548639781138,
          'start': 28,
          'text': '谷爱凌'}]}]
  • 图片类信息提取（使用uie-x）
import paddlenlp, paddleocr
print(paddlenlp.__version__)
print(paddleocr.__version__)

from pprint import pprint
from paddlenlp import Taskflow
schema = ["购买方名称", "购买方纳税人识别号", "货物", "规格型号", "税率", "标题", "发票号码", "销售方名称", "销售方识别号", "销售方开户行账号"]
ie = Taskflow("information_extraction", schema=schema, model="uie-x-base")
pprint(ie({"doc": "./fp1.jpg"}))

直接在/root/目录下运行，第一次运行会在根目录生成.paddlenlp和.paddleocr的隐藏文件夹，用于存储自动下载的uie和ocr模型，然后开始推理
在这里插入图片描述

有一些字段没有显示的，应该就是没有找到，下面只显示的是找到的，可是但凡显示出来的准确度都很高，可以说效果真的很牛，就是密码区一直不认
大概可以得出的结论是：只要图像上靠近且有明显键值对的，都可以识别，只有那种键值对不明显，或者只有值没有键的信息，才会难以提取，才会需要微调。
在这里插入图片描述
测试到这里我就觉得这个方案是可行的了，所以打算基于UIEX做小样本学习，实际上除了发票，对于任何图片信息提取场景，根据它的介绍少量学习都能带来大幅提升，经过我的测试确实如此

在这里插入图片描述

step1、UIEX模型微调（小样本学习）

按https://github.com/PaddlePaddle/PaddleNLP/tree/develop/applications/information_extraction/document进行模型微调，教程写的挺清楚了，我这里说一些其他的注意点
在这里插入图片描述

数据标注（label_studio）

这是本地启动服务网页使用的，为了方便数据获取，就在win装，因为我的基本环境烂了，会有一些奇怪报错：django.db.utils.OperationalError: no such function: JSON_VALID所以我在anaconda里面新建py39环境，可以正常运行

pip install label-studio#我安装的是1.7.2，教程里的1.6.0有bug
pip install -U label-studio
label-studio start

  • 这个地方，一定得是image或者text，不能是ocr什么的，在后面数据处理转换json文件为paddle数据集的时候，只认image/test，如果换成其他的会不识别报错在这里插入图片描述

  • 标注的时候，框要偏大一点，不能恰恰好贴着文字，不然会导致提取信息的时候漏掉前面几个字符
    在这里插入图片描述
    直到后来我label多了我才意识到，原始模型的可视化就是在教我怎么label最完美：都要向前框一点，包括冒号
    在这里插入图片描述

导出数据转换

ext:抽取式任务，实体收取和关系抽取都是抽取

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

微调训练：

我在3090Ti上训练的速度基本是数据集增加一张图片，训练耗时增加一分钟，我标10张图片用了9分钟，标40张图片用了50分钟
模型大小：“uie-x-base“ 1.05G，训练过程占用显存情况：20G/24G

python finetune.py --device gpu --logging_steps 5 --save_steps 25 --eval_steps 25 --seed 42     --model_name_or_path uie-x-base --output_dir ./checkpoint/model_best --train_path data/train.txt     --dev_path data/dev.txt --max_seq_len 512 --per_device_train_batch_size  8     --per_device_eval_batch_size 8 --num_train_epochs 10 --learning_rate 1e-5 --do_train --do_eval  --do_export --export_model_dir ./checkpoint/model_best --overwrite_output_dir --disable_tqdm True     --metric_for_best_model eval_f1 --load_best_model_at_end  True --save_total_limit 1

评估：

python evaluate.py --device "gpu" --model_path ./checkpoint/model_best --test_path ./data/dev.txt --output_dir ./checkpoint/model_best --label_names 'start_positions' 'end_positions' --max_seq_len 512  --per_device_eval_batch_size 16 --debug True

在这里插入图片描述

定制模型一键预测

我写了一个脚本，来同时执行原始模型和微调模型在同一张图片上的表现，同时可视化和输出识别结果到txt，以便对比：

import pprint
from paddlenlp import Taskflow
from paddlenlp.utils.doc_parser import DocParser
import os
import sys
import time

#输入图片名参数
doc_path = str(sys.argv[1])
print(doc_path)
#发票联次，包括发票联，抵扣联，记账联


# schema = ['发票代码', '校验码', '标题', '发票联次', '发票号码', '开票日期', '购买方名称', '购买方纳税人识别号', '购买方地址电话', '购买方开户行及账号', '密码区', '货物或应税劳务服务名称', '规格型号', '单位', '数量', '单价', '金额', '税率', '税额', '合计金额', '合计税额', '价税合计（大写）', '价税合计（小写）', '销售方名称', '销售方纳税人识别号', '销售方地址电话', '销售方开户行及账号', '收款人', '复核', '开票人', '备注', '销售方（章）', '机器编号']
schema = ['发票代码', '校验码', '标题', '发票联次', '发票号码', '开票日期', '购买方名称', '购买方纳税人识别号', '购买方地址电话', '购买方开户行及账号', '货物或应税劳务服务名称', '规格型号', '单位', '数量', '单价', '金额', '税率', '税额', '合计金额', '合计税额', '价税合计(大写)', '价税合计(小写)', '销售方名称', '销售方纳税人识别号', '销售方地址电话', '销售方开户行及账号', '收款人', '复核', '开票人', '机器编号']

my_ie = Taskflow("information_extraction", model="uie-x-base", schema=schema, task_path='./checkpoint/model_best',layout_analysis=True)
ie = Taskflow("information_extraction", model="uie-x-base", schema=schema,layout_analysis=True)


filename=os.path.basename(doc_path).split('.')[0]

start_time=time.time()
my_results = my_ie({"doc": doc_path})
end_time=time.time()
print('self inference time(s):',end_time-start_time)


start_time=time.time()
results = ie({"doc": doc_path})
end_time=time.time()
print('origin inference time(s):',end_time-start_time)
# pprint(results)

if os.path.exists('./results/'+filename):
    pass
else:
    os.mkdir('./results/'+filename)
    print('mkdir ','./results/'+filename)


# 结果可视化
save_path_self='./results/'+filename+'/'+'image_show_self_'+filename+'.png'
DocParser.write_image_with_results(
    doc_path,
    result=my_results[0],
    save_path=save_path_self)

save_path_origin='./results/'+filename+'/'+'image_show_origin_'+filename+'.png'
DocParser.write_image_with_results(
    doc_path,
    result=results[0],
    save_path=save_path_origin)



#保存结果
with open('./results/'+filename+'/'+filename+'_self.txt','w') as f:
    f.write(str(str(pprint.pformat(my_results))))
    f.close()
with open('./results/'+filename+'/'+filename+'_origin.txt','w') as f:
    f.write(str(str(pprint.pformat(results))))
    f.close()

print('finished')

推理就是

λ 8be5100f3bf1 /hdd/PaddleNLP/applications/information_extraction/document python testuie_self.py data/testimages/b78.jpg

微调模型对比

总体来说微调模型相比原始模型提升很大，有学习到标记的信息，并且可以区分购买方和销售方
在这里插入图片描述
左边一列是微调后的，右边的原始UIE-X-base
在这里插入图片描述

但也有问题：比如会认密码区但不跨行，只有第一行（还不如不要），对于密码区，盖章识别，二维码识别，我就去掉了，不设schema，这些需要额外优化

我在3090Ti上推理一张的时间是5s左右，说实话还是挺慢的，后面再补充提升推理速度的问题

step2、服务化部署

这个部分可以用https://github.com/PaddlePaddle/PaddleNLP/tree/develop/applications/information_extraction/document/deploy/simple_serving
结合PaddleNLP-develop\docs\server.md进行部署，教程讲的很清楚了

或者使用百度新出的专门用来部署的工具FastDeploy：https://github.com/PaddlePaddle/FastDeploy/tree/develop/examples/vision/ocr/PP-OCR/serving
client和server的简单关系：
在这里插入图片描述

我就讲一些坑：
作为服务器端的环境，如果是docker，要以--net=host进行创建，例如我之前使用的

nvidia-docker run --name paddle_docker -it -v /data/:/hdd -p 6666:22 registry.baidubce.com/paddlepaddle/paddle:2.4.2-gpu-cuda11.2-cudnn8.2-trt8.0 /bin/bash

是默认–net=bridge，以桥接形式对外提供，不是–net=host，所以无法对外提供服务化部署
应该:

nvidia-docker run --name paddle_serving_docker -it -v /data/:/hdd --net=host registry.baidubce.com/paddlepaddle/paddle:2.4.2-gpu-cuda11.2-cudnn8.2-trt8.0 /bin/bash
#开启进入
sudo docker start paddle_serving_docker
sudo docker exec -it paddle_serving_docker /bin/bash
#安装基本环境
pip install paddlenlp
python3 -m pip install paddleocr
#Server服务启动
paddlenlp server server:app --workers 1 --host 10.24.83.40 --port 8189

step3、提升推理速度

封闭域模型蒸馏（bug）

我提了issue，UIEX目前也有蒸馏代码了：
https://github.com/PaddlePaddle/PaddleNLP/issues/5467
https://github.com/linjieccc/PaddleNLP/tree/add-doc-ie/applications/information_extraction/document/closed_domain
但是因为paddlenlp的一些新增支持还没有在发布版的包里面支持，所以按md一步步执行是会报错模块不存在的，通过直接从当前文件夹源代码而不是包import可以解决找不到模块问题，但引发了新的问题：
在这里插入图片描述

后续因为进度问题没有继续，欢迎大家到issue追其他同学的进度

模型量化

可以用PaddleSlim试一下
https://github.com/PaddlePaddle/PaddleSlim/tree/develop/example/auto_compression

更换模型（精度急剧下降）

因为其原理是经过OCR将图片转化为text再输入UIE模型，所以实际上其他size的UIE模型也能用
但经过实测，没有UIEX的版面分析等，结果几乎看不了，所以没得换

https://github.com/PaddlePaddle/PaddleNLP/tree/develop/model_zoo/uie

模型结构语言
uie-base (默认)12-layers, 768-hidden, 12-heads中文
uie-base-en12-layers, 768-hidden, 12-heads英文
uie-medical-base12-layers, 768-hidden, 12-heads中文
uie-medium6-layers, 768-hidden, 12-heads中文
uie-mini6-layers, 384-hidden, 12-heads中文
uie-micro4-layers, 384-hidden, 12-heads中文
uie-nano4-layers, 312-hidden, 12-heads中文
uie-m-large24-layers, 1024-hidden, 16-heads中、英文
uie-m-base12-layers, 768-hidden, 12-heads中、英文

https://github.com/PaddlePaddle/PaddleNLP/tree/develop/applications/information_extraction#readme

模型名称使用场景支持任务
uie-base
uie-medium
uie-mini
uie-micro
uie-nano		面向纯文本场景的抽取式模型，支持中文具备实体、关系、事件、评论观点等通用信息抽取能力
uie-base-en面向纯文本场景的抽取式模型，支持英文具备实体、关系、事件、评论观点等通用信息抽取能力
uie-m-base
uie-m-large		面向纯文本场景的抽取式模型，支持中英具备实体、关系、事件、评论观点等通用信息抽取能力
uie-x-base面向纯文本和文档场景的抽取式模型，支持中英支持纯文本场景的全部功能，还支持文档/图片/表格的端到端信息抽取

然而，经过测试uie-x-base (12L768H)本身就大概是基于uie-m-base (12L768H)进行改进的，二者模型大小差不多，但是！uie-m原始模型的推理时间3s左右，几乎减半，但是其效果也非常差！
而除了uie-m之外的其他模型不支持中英双语，就更用不了了
结论：无法更换其他模型做图片推理，其他模型都是text推理用，没有图片布局分析效果很差

fast-tokenizer（不支持）

目前不支持UIEX模型

https://github.com/PaddlePaddle/PaddleNLP/tree/develop/model_zoo/uie
TaskFlow的一个参数
use_fast: 使用C++实现的高性能分词算子FastTokenizer进行文本预处理加速。需要通过pip install fast-tokenizer-python安装FastTokenizer库后方可使用。默认为False。更多使用说明可参考FastTokenizer文档。

提高batch_size（没用）

Q&A里面的，但是我实测16和256一样都是5s……
在这里插入图片描述

end

Please note that this blog was mainly completed by the author during his master’s degree study. Since the author did not continue to engage in this project any more, it is difficult to continue to maintain and update these blog. We sincerely apologize that these blog are for reference only.

z5z5z5z56
关注
  • 20
    点赞
  • 踩
  • 72
    收藏
    觉得还不错? 一键收藏
  • 10
    评论
专栏目录
C.4.4 Paddlenlp之UIE模型实战实体抽取任务【打车数据、快递单】
丨汀、的博客
07-16 1760
本项目将演示如何通过小样本样本进行模型微调，快速且准确抽取快递单中的目的地、出发地、时间、打车费用等内容，形成结构化信息。辅助物流行业从业者进行有效信息的提取，从而降低客户填单的成本。{“id”“昌胜远黑龙江省哈尔滨市南岗区宽桥街28号18618391296”,“relations”[{“id”“姓名”},{“id”“省份”},{“id”“城市”},{“id”“县区”},{“id”“详细地址”},{“id”“电话”}]}{“id”{“id”1,“text”.........
深度学习实战34-基于paddle关键信息抽取模型训练的全流程(代码直接运行)
01-18
深度学习实战34-基于paddle关键信息抽取模型训练的全流程，我们在文档应用场景中，存在抽取关键信息的任务，比如身份证里的姓名和地址，快递单里的姓名和联系方式等等。传统的方法需要设计模板，但是这太繁琐了，也不够强健。因此，我们使用了飞桨提供的PaddleOCR工具箱中的关键信息抽取方案，可以快速地抽取增值税发票中的关键信息。下面我会手把手教大家训练paddle关键信息抽取模型。 下面我将介绍基于paddle关键信息抽取模型训练的全流程，我们按照步骤进行： 一、标注数据 1.安装软件包 pip install PPOCRLabel 2.安装后使用如下命令启动 PPOCRLabel --lang=ch --kie=True（启动 【KIE 模式】，用于打【检测+识别+关键字提取】场景的标签） ....
Paddlenlp之UIE模型实战实体抽取任务【打车数据、快递单】
最新发布
2401_85373691的博客
05-29 1284
UIE(Universal Information Extraction)：Yaojie Lu等人在ACL-2022中提出了通用信息抽取统一框架UIE。该框架实现了实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模，并使得不同任务间具备良好的迁移和泛化能力。PaddleNLP借鉴该论文的方法，基于ERNIE 3.0知识增强预训练模型，训练并开源了首个中文通用信息抽取模型UIE。该模型可以支持不限定行业领域和抽取目标的关键信息抽取，实现零样本快速冷启动，并具备优秀的小样本微调能力，快速适配特定的抽取目标。
PaddleOCR关键信息抽取(KIE)的训练(SER训练和RE训练)错误汇总
没刮胡子的程序员专栏
03-10 2421
在执行训练任务的时候报错单卡训练
使用自定义OCR提升UIE-X检测效果：结合PaddleOCR和UIE模型进行文档信息提取
qq_50380073的博客
04-16 774
结合自定义的OCR技术和信息提取（IE）模型来提升文档信息的检测效果。本文将介绍如何使用PaddleOCR和UIE模型（Unified Information Extraction，统一信息提取）来进行文档信息提取，并提供代码示例。
uie模型微调个人总结
qq_44497995的博客
05-24 5859
技巧： 为什么能不固定prompt? 传统Prompt模板各有不同，应对少样本能力不一样 UIE用大量数据固定了prompt的构造方式，就是条件加上抽取标签，所以有不固定的特点 标签其实模型压根都没见过，模型照样能看出来 Prompt技巧 1.与原文越相似越好抽 2.尽量符合常识 3.标注的样本尽量要短 训练技巧： 1.预测可以将batch_size设置为2或者更高来提高预测效率 2.uie-tiny 和base效果差距不大，但性能提高巨大 3.需要负样本的 环境配
UIE: 信息抽取的大一统模型
shawroad的博客
07-24 4976
信息抽取通常包含常见的四个子任务: 实体抽取、关系抽取、事件抽取以及情感分析等。在过去，因为不同的任务识别的实体、事件类型等等都不一样，所以针对特定的任务要训练特定的模型，定制化较高，不具有通用性。...
从UIE模型理解到UIE工业实战
weixin_45079449的博客
02-20 5092
UIE模型，文本-结构化数据
PaddleNLP之UIE信息抽取小样本进阶(二)[含doccano详解]
m0_63642362的博客
07-31 5050
PaddleNLP通用信息抽取技术UIE--小样本快速提升性能（doccona）标注
百度UIE模型的pytorch实现及ner效果测试
u012291116的博客
09-04 4146
百度UIE模型的pytorch实现及ner效果测试
微调Paddle UIE模型实现命名实体抽取
xu_guo_jie的博客
04-20 1284
对uie模型进行微调的过程
simplest-kie-spring-app:史上最简单的 Kie Spring 应用
06-13
最简单的 kie-spring-app 史上最简单的 Kie Spring 应用 它使用 Spring 进行 KieBase 配置并触发一条规则，在控制台中打印 Hello World。 简单地使用mvn test查看正在执行的规则。 主要文件： 规则在src/test/...
kie-ml:使用Kie API运行机器学习模型
05-17
您可以在Docker上构建并运行kie-ml： $ docker build -t kie-ml/kie-ml:latest .$ docker run --rm -p 8080 kie-ml/kie-ml:latest跑步我们的发行版使用Wildfly Swarm在Kie Server之上运行我们的扩展（基于）： $ cd...
kie-Drools-kie-server7.10.0+tomcat8
04-04
dools是一款开源规则引擎，drools-workbench是它的工作台web程序，可以编译，打包，发布规则，kie-server是可以运行规则的服务器程序， 两个服务单独部署，用户可以通过通过http请求发送数据，然后返回规则额匹配...
servicecomb-kie:Apache ServiceComb MetaConfig
05-14
Apache-ServiceComb-Kie 分布式系统中的配置管理服务。构想钥匙键可以指示类似“超时”的配置，然后值可以是“ 3s”或指示文件名“ app.properties”，然后值可以是app.properties的内容标签每个键可以具有标签。 ...
C.4.5 PaddleNLP UIE--小样本快速提升性能（含doccona标注）
丨汀、的博客
06-07 5919
自动从无结构或半结构的文本中抽取出结构化信息的任务, 主要包含的任务包含了实体识别、关系抽取、事件抽取、情感分析、评论抽取等任务; 同时信息抽取涉及的领域非常广泛，信息抽取的技术需求高，下面具体展现一些示例 针对以上难题，中科院软件所和百度共同提出了一个大一统诸多任务的通用信息抽取技术 UIE（Unified Structure Generation for Universal Information Extraction），发表在ACL‘22。UIE在实体、关系、事件和情感等4个信息抽取任务、13个数据集
Paddlenlp之UIE分类模型【以情感倾向分析新闻分类为例】含智能标注方案）
m0_63642362的博客
07-23 1302
本项目将对可视化、项目修改、数据标注（含智能标注）等知识进行讲解，并以情感倾向分析小样本数据作为样例进行展示
PaddleNLP开源基于UIE的情感分析，解决小样本难题，助力客户意见洞察与舆情分析！...
PaddlePaddle
12-29 919
情感分析（Sentiment Analysis）是近年来国内外研究的热点，旨在对带有情感色彩的主观性文本进行分析、处理、归纳和推理。情感分析具有广泛的应用场景，可被应用于消费决策、舆情分析、个性化推荐等领域。情感分析任务示意如上图所示，情感分析涉及句子级情感极性分类、属性抽取、观点抽取、属性级情感极性分类等多项情感任务。近期，PaddleNLP基于通用信息抽取技术UIE开源的情感分析能力覆盖以上基...
通用信息抽取 UIE(Universal Information Extraction)
思念可是反的博客
08-31 6316
通用信息抽取 - UIE 预训练模型(实体抽取、关系抽取、事件抽取、情感分析等任务)
paddleocr kie
08-13
PaddleOCR KIE，也就是PaddleOCR关键信息抽取，是一个基于PaddlePaddle深度学习框架开发的文本识别和关键信息抽取工具。 PaddleOCR是一个强大的文字识别工具，可以识别图片或文档中的文字内容。具有高精度和高效率的特点，可以满足各种场景下的文字识别需求。而KIE（Key Information Extraction）是PaddleOCR的一个功能模块，专门用于提取文本中的关键信息。 具体来说，PaddleOCR KIE可以实现以下功能： 1.实体识别：可以识别出文本中的实体信息，如人名、地点、日期等。这对于信息提取和文本理解非常有用。 2.关系抽取：可以分析文本中的相关信息，并提取出实体之间的关系。比如从一篇新闻中提取出人物之间的关系。 3.事件抽取：可以根据文本内容提取事件的要素和信息，从而实现语义理解和结构化表达。 PaddleOCR KIE的应用场景非常广泛。在金融领域，可以用于自动提取财务报表中的关键数据；在法律领域，可以用于自动识别法律文件中的法条和相关条款；在医疗领域，可以用于自动提取病历中的诊断结果和治疗方案等。 总之，PaddleOCR KIE是一款非常强大和实用的文本识别工具，可以帮助用户高效地从大量文本数据中提取关键信息，实现信息的快速处理和应用。
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值