概述
信息抽取通俗地说就是从给定的文本/图片等输入数据中抽取出结构化信息的过程。本文利用信息抽取应用UIE统一建模的思想，提供了文档信息抽取产业级应用方案，支持文档/图片/表格和纯文本场景下实体、关系、事件、观点等不同任务信息抽取。该应用不限定行业领域和抽取目标，关键信息提取是数据结构化非常重要的一环，基于自然语言的阅读理解，目前llm大模型已经能较好的解决这类问题，笔者基于qwen通过行业领域的数据集进行训练，通过文本分类后，可有效提取短文（不含富文本）中的关键信息，如从简单的一串快递描述中提取姓名，手机号，地址，区号等，到金融领域的一级报价，ncd报价识别等，本文主要讲解图片信息中的关键信息提取，如各类证件照，票据，发票，单据等，基于最新版的和，目前百度线上文档因为版本更新问题，存在些许纰漏。
实例介绍
这是一份关于服装的详细信息表，包括颜色、尺寸、数量和供应商信息等。涉及无线表格，复杂表头等，结构相对固定，但要能准确无误提取整个表单信息还是存在一定难度的，并且要告知原文坐标，我们通过标注要抽取的实体要素，交由训练完成，准确率基本百分百。
标注工具
百度虽然有自带的标注工具，但不够好用，我们这里选用更强大的label ，安装非常简单，这里不作介绍，进入系统后，不论是图片中的关键信息提取，还是图片中的关系提取，我们都应该在新建标注项目选用 with Boxes，如下图：
标注标签可以在【】-> 【 】中增减，官方建议标注300张图片左右，但笔者发现对于格式相对固定的图片只需要标注十来张图片，即可达到不错的效果。整个标注非常简单，如下图：
对图片中进行label标注外，也可标注label与label之间的关系标注，就是选定一个label后点击这个图标即可：
注：关系抽取可以说明数据与数据之间的关系，比如表格里的一行数据，主体和客体的关系，如产品名对应的数量等，关系抽取目前label 没有提供可视化界面，必须切换到code通过xml文件里增加关系即可。
<Relation value="xxx"/>
<Relation value="xxx"/>
……
通过本平台，可标注AI中涉及中分类问题，实体收取问题，文档标注，问答等，几乎涵盖了所有AI领域的标注问题，强烈推荐。
训练与推理训练前准备
我们需要安装环境（安装最新的，，），准备一台单卡gpu电脑，操作系统随意。
数据集准备
非常简单，通过label 的导出功能即可，我们在平台标注完数据后，如下图：
打开源码项目，切换到目录on：获取json文件，执行一下命令：
python label_studio.py --label_studio_file 导出json跟目录/label.json --save_dir 指定导出路径/data --splits 0.8 0.1 0.1 --task_type ext
注：图片文件名不能有中文和英文空格
开始训练
单卡训练：把上面生成的data目录放在：on下，切换到该目录下执行：
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/模型名 --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/模型名 --overwrite_output_dir --disable_tqdm True --metric_for_best_model eval_f1 --load_best_model_at_end True --save_total_limit 1 --report_to all
训练后，训练时间取决于你的样本量和gpu配置，接下来，可以使用以下命令进行模型评估：
# 模型评估
python evaluate.py --model_path ./checkpoint/模型名 --test_path ./data/dev.txt --device gpu --max_seq_len 512 --output_dir=./result
接着，我们就可以进行推理了。
推理
代码非常简单，如下：
from pprint import pprint
from paddlenlp import Taskflow
# 我们测试下，指定图片下的这些关键信息的提取
schema = ["OrderNo","PTProdNo","ProductDescription","TypeofConstruction"]
ie = Taskflow("information_extraction", schema=schema, task_path="./checkpoint/模型名")
pprint(ie({"doc": r"图片所在路径"}))
结束语
这是一篇实用型很强的文章，通过标注平台和的结合，我们可以解决系列针对图片或文本段中的关键信息提取问题，不仅如此，还可以支持文档问答等。更详细的案例可参考官方网站。
相关文章
