文档抽取任务Label Studio使用指南

数据标注工具 doccano

目录

• 1. 安装
• 2. 文档抽取任务标注

• 2.1 项目创建
• 2.2 数据上传
• 2.3 标签构建
• 2.4 任务标注
• 2.5 数据导出
• 2.6 数据转换
• 2.7 更多配置

• 3. 注意 items["text"] = line["data"]["text"]

Label-Studio导出数据后可通过label_studio.py脚本轻松将数据转换为输入模型时需要的形式，实现无缝衔接。

1. 安装

以下标注示例用到的环境配置：

• Python 3.8+
• label-studio == 1.6.0
• paddleocr >= 2.6.0.1

在终端(terminal)使用pip安装label-studio：

pip install label-studio==1.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，运行以下命令行：

label-studio start

如报：sqlite3.OperationalError: no such function: JSON_VALID => https://www.cnblogs.com/vipsoft/p/17562196.html

在浏览器打开http://localhost:8080/，输入用户名和密码登录，开始使用label-studio进行标注。

用邮箱注册一个帐号

2. 文档抽取任务标注

2.1 项目创建

点击创建（Create）开始创建一个新的项目，填写项目名称、描述，然后选择Object Detection with Bounding Boxes。

• 填写项目名称、描述

• 命名实体识别、关系抽取、事件抽取、实体/评价维度分类任务选择``Object Detection with Bounding Boxes`

• 文档分类任务选择``Image Classification`

• 添加标签(也可跳过后续在Setting/Labeling Interface中添加)

图中展示了Span实体类型标签的构建，其他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，然后选择导入本项目。

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 任务标注

• 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', '纳税人识别号', '地址、电话', '开户行及账号', '金额', '税额', '价税合计', 'No', '税率']

• 关系抽取

• 进入标签
  
  
  
• 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. 添加对应关系类型标签
  
  
  
• Step 4. 完成标注
  
  
• 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，选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时的命名一致）。通过label_studio.py脚本可转为UIE的数据格式。

• 路径示例

./document/data/
├── images # 图片目录
│   ├── b0.jpg # 原始图片（文件名需与上传到label studio时的命名一致）
│   └── b1.jpg
└── label_studio.json # 从label studio导出的标注文件

• 抽取式任务

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

• 文档分类任务

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: 训练数据的保存目录，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任务有效，适当构造负例可提升模型效果。负例数量和实际的标签数量有关，最大负例数量 = negative_ratio * 正例数量。该参数只对训练集有效，默认为5。为了保证评估指标的准确性，验证集和测试集默认构造全负例。
• 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]表示按照8:1:1的比例将数据划分为训练集、验证集和测试集。
• task_type: 选择任务类型，可选有抽取和分类两种类型的任务。
• options: 指定分类任务的类别标签，该参数只对分类类型任务有效。默认为["正向", "负向"]。
• prompt_prefix: 声明分类任务的prompt前缀信息，该参数只对分类类型任务有效。默认为"情感倾向"。
• 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/评价维度与分类标签的分隔符，该参数只对实体/评价维度分类任务有效。默认为"##"。
• schema_lang：选择schema的语言，将会应该训练数据prompt的构造方式，可选有ch和en。默认为ch。
• ocr_lang：选择OCR的语言，可选有ch和en。默认为ch。
• layout_analysis：是否使用PPStructure对文档进行布局分析，该参数只对文档类型标注任务有效。默认为False。

备注：

• 默认情况下 label_studio.py 脚本会按照比例将数据划分为 train/dev/test 数据集
• 每次执行 label_studio.py 脚本，将会覆盖已有的同名数据文件
• 在模型训练阶段我们推荐构造一些负例以提升模型效果，在数据转换阶段我们内置了这一功能。可通过negative_ratio控制自动构造的负样本比例；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经过人工正确标注的。

References

• Label Studio

https://gitee.com/PaddlePaddle/PaddleNLP/blob/develop/applications/information_extraction/label_studio_doc.md

注意

我用的 NLP是 V2.5.0 、 label_studio v1.6.0 ，可能版本问题，运行 label_studio.py 时报

python paddlenlp\utils\tools.py items["text"] = line["data"]["text"]

解决方法：

在 Label_Studio 导出的 json 里，找到 data 块，加上 text ，不知道为啥导出来的没这个 text