Label Studio OCR 发票 Pre-NER 模板实战从图片校对到 BIO 标注数据【免费下载链接】label-studioLabel Studio is a multi-type data labeling and annotation tool with standardized output format项目地址: https://gitcode.com/GitHub_Trending/la/label-studioLabel Studio 的社区模板「OCR Invoices Pre-NER BIO Format」解决一个具体问题把发票图片上 OCR 检测出的文本框逐个人工校对产出干净、带坐标的 token 序列作为 BIO 格式 NER 标注的输入。整套配置只有三个标签Image展示图片、RectangleLabels框选 token、TextArea perRegiontrue逐框转写校对。读完本文你拿到一套可直接粘贴的配置、关键参数表以及导出 JSON 到 BIO 训练输入的字段映射。场景还原发票图片到 BIO token 序列中间缺一段人工校对你手上有一批餐厅发票扫描件OCR 模型已经跑出带坐标的文本框但转写文本错漏不少也没人标过哪些 token 是发票号、金额、日期。NER 模型要的是 token 序列上的 BIO 标签——直接喂带噪声的原始 OCR 文本模型学到的就是噪声。正确顺序是两段式第一段把 token 边界和转写内容校对干净所有 token 统一以OOutside实体外状态入库第二段再在 token 序列上打 B-xxx / I-xxx 实体标签。这个模板就是第一段它不直接产出实体标签只负责「框 文本」的清洗同目录下另有 ner-tagging-invoices-bio-format 模板负责第二段用Text granularityword配Labels给校对后的文本逐词标 B-NIF、I-VALORconfig.yml。配置与用法按数据流三段拆开看完整配置与仓库 config.xml 一致粘贴后只需确认value$image与你的任务数据字段名对齐View Image nameimage value$image zoomControltrue/ !-- 每个矩形只选一个标签O 即 BIO 的 Outside -- RectangleLabels namelabel toNameimage choicesingle Label valueO background#FFA500/ /RectangleLabels !-- perRegion每个矩形框绑定一个独立输入框 -- TextArea nametranscription toNameimage perRegiontrue editabletrue rows1 requiredtrue placeholderType or correct OCR text…/ /View原始输入一个 image 字段加可选的 OCR 预标注任务数据只需data.image一个键值可以是 HTTP(S) 链接、本地文件路径或 base64 数据config.yml 的注释里附了示例任务。zoomControltrue打开缩放发票上的小字号字段才看得清。OCR 模型的预检测结果若有以 rectanglelabels 形式预填进界面标注者从校对而非重画框开始。中间标注O 标签框选 逐框转写RectangleLabels把矩形框和标签绑在一起toNameimage指定绑定的图片控件TextArea perRegiontrue是精髓——它不与整图绑定而是和每个矩形一一配对标注者选中哪个框输入框就切换显示哪个框的转写文本。参数类型默认值本文取值一句话作用说明namestring—label/transcription标注结果的from_name导出时靠它区分两类记录choicesingle / multiplesinglesingle每个矩形只允许一个标签匹配「token 只属一类」的 BIO 约定perRegionbooleanfalsetrue让 TextArea 按矩形区域生成一个框一个输入框editablebooleanfalsetrue提交后仍可改文本OCR 校对场景几乎必开rowsnumber11单行输入框直接按 Enter 提交不用点 Addrequiredbooleanfalsetrue强制每个区域填写转写防止漏框displayModetag / region-listtag未设置tagtag 模式输入框紧贴标注区region-list 模式集中显示在 Regions 面板参数出处rectanglelabels.md、textarea.md。 模板注释明确写了「You only emit the generic O class, but feel free to add more labels」——如果发票字段类型固定可以直接在RectangleLabels里加 B-Vendor、B-Amount 等标签Pre-NER 阶段就产出带实体类型的 token省掉一次中间转换。标注交互框选 → 校对 → Enter 提交标注者的操作序列框出一个 token已有 OCR 预标注时直接选中→ 在输入框里核对、修正文本 → 按 Enter 提交rows1时 Enter 即提交textarea.md→ 下一个框。一张 20 个 token 的发票熟练后一分钟左右过完。数据流转与导出形态从任务 JSON 到 BIO 训练输入第一段导入的任务{ data: { image: media/invoices/1024.png // URL、本地路径或 base64 均可 } }第二段导出的标注一个矩形对应一对记录region_id相同{ result: [ { id: r1, region_id: r1, from_name: label, to_name: image, original_width: 1920, original_height: 1280, value: { x: 12.4, y: 8.2, width: 18.3, height: 3.1, rectanglelabels: [O], rotation: 0 } }, { id: t1, region_id: r1, from_name: transcription, to_name: image, value: { text: [Invoice No. 1024] } } ] }字段要点value.x/y是矩形左上角坐标、width/height是宽高全部是原始图片尺寸的百分比0–100而非像素image.mdoriginal_width/height记录像素尺寸专供换算rectanglelabels.md。第三段聚合成 BIO 训练输入。按region_id把坐标和文本拼起来得到 token 列表{ token_index: 3, text: Invoice No. 1024, label: O, bbox_pct: { x: 12.4, y: 8.2, width: 18.3, height: 3.1 }, bbox_px: [238, 105, 586, 40] }哪些字段直接可用、哪些要二次处理text和label可直接进 BIO 序列label 全为 O是 NER 阶段的起点bbox_pct训「文本 版面」多模态模型时直接可用bbox_px需自己按x * original_width / 100换算示例 12.4 × 1920/100 ≈ 238。阅读顺序token_index导出里没有现成字段按 y 再按 x 排序即可近似还原发票版面顺序。实战细节与高频坑⚠️ 改了配置但没生效已提交的标注按提交时点的配置渲染改配置只影响新打开的标注页。发现「加了 region-list 但 Regions 面板没输入框」九成是标注在改配置前提交——拿新配置标一张新任务验证别在旧标注里找效果。预标注框不显示OCR 模型输出的 prediction JSON 必须与from_namelabel、to_nameimage严格一致对不上就静默不显示界面里只有空白图片没有任何报错。requiredtrue挡不住历史数据必填校验发生在提交时旧标注里value.text为空串的 textarea 记录仍会导出后处理时按空文本过滤兜底。百分比坐标别反复换算bbox_pct相对原图归一化不同 DPI 的发票混在训练集里也不会漂移自己先转像素再归一只会引入误差。它是两阶段管线的上半段token 以 O 状态入库后交给同目录的 ner-tagging-invoices-bio-format 模板打 B-/I- 标签BIO 训练语料就齐了。【免费下载链接】label-studioLabel Studio is a multi-type data labeling and annotation tool with standardized output format项目地址: https://gitcode.com/GitHub_Trending/la/label-studio创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考