layoutlm-blumatix

This model is a fine-tuned version of microsoft/layoutlm-base-uncased on the blumatix_dataset dataset. It achieves the following results on the evaluation set:

• Loss: 0.3906
• At Table Summary: {'precision': 0.8, 'recall': 1.0, 'f1': 0.888888888888889, 'number': 8}
• Aymentinformation: {'precision': 0.75, 'recall': 0.6923076923076923, 'f1': 0.7199999999999999, 'number': 13}
• Eader: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}
• Ineitemtable: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}
• Nvoicedetails: {'precision': 0.9473684210526315, 'recall': 0.9, 'f1': 0.9230769230769231, 'number': 20}
• Ogo: {'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 10}
• Ontact: {'precision': 0.6842105263157895, 'recall': 0.8125, 'f1': 0.742857142857143, 'number': 16}
• Ooter: {'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}
• Overall Precision: 0.82
• Overall Recall: 0.8454
• Overall F1: 0.8325
• Overall Accuracy: 0.8704

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

• learning_rate: 3e-05
• train_batch_size: 16
• eval_batch_size: 8
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• num_epochs: 15
• mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	At Table Summary	Aymentinformation	Eader	Ineitemtable	Nvoicedetails	Ogo	Ontact	Ooter	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
1.88	1.0	7	1.5813	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 8}	{'precision': 0.42857142857142855, 'recall': 0.23076923076923078, 'f1': 0.3, 'number': 13}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10}	{'precision': 0.13333333333333333, 'recall': 0.2, 'f1': 0.16, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10}	{'precision': 0.23076923076923078, 'recall': 0.375, 'f1': 0.2857142857142857, 'number': 16}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10}	0.2063	0.1340	0.1625	0.4259
1.4414	2.0	14	1.1408	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 8}	{'precision': 0.4, 'recall': 0.46153846153846156, 'f1': 0.42857142857142855, 'number': 13}	{'precision': 1.0, 'recall': 0.3, 'f1': 0.4615384615384615, 'number': 10}	{'precision': 1.0, 'recall': 0.4, 'f1': 0.5714285714285715, 'number': 10}	{'precision': 0.52, 'recall': 0.65, 'f1': 0.5777777777777778, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10}	{'precision': 0.4, 'recall': 0.625, 'f1': 0.48780487804878053, 'number': 16}	{'precision': 0.625, 'recall': 0.5, 'f1': 0.5555555555555556, 'number': 10}	0.5125	0.4227	0.4633	0.5833
1.144	3.0	21	0.8586	{'precision': 1.0, 'recall': 0.625, 'f1': 0.7692307692307693, 'number': 8}	{'precision': 0.5714285714285714, 'recall': 0.6153846153846154, 'f1': 0.5925925925925927, 'number': 13}	{'precision': 1.0, 'recall': 0.9, 'f1': 0.9473684210526316, 'number': 10}	{'precision': 1.0, 'recall': 0.7, 'f1': 0.8235294117647058, 'number': 10}	{'precision': 0.7368421052631579, 'recall': 0.7, 'f1': 0.717948717948718, 'number': 20}	{'precision': 0.75, 'recall': 0.3, 'f1': 0.4285714285714285, 'number': 10}	{'precision': 0.5454545454545454, 'recall': 0.75, 'f1': 0.631578947368421, 'number': 16}	{'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	0.7222	0.6701	0.6952	0.7685
0.8948	4.0	28	0.6937	{'precision': 0.8333333333333334, 'recall': 0.625, 'f1': 0.7142857142857143, 'number': 8}	{'precision': 0.6923076923076923, 'recall': 0.6923076923076923, 'f1': 0.6923076923076923, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 1.0, 'recall': 0.6, 'f1': 0.7499999999999999, 'number': 10}	{'precision': 0.7894736842105263, 'recall': 0.75, 'f1': 0.7692307692307692, 'number': 20}	{'precision': 0.5, 'recall': 0.3, 'f1': 0.37499999999999994, 'number': 10}	{'precision': 0.55, 'recall': 0.6875, 'f1': 0.6111111111111112, 'number': 16}	{'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 10}	0.7253	0.6804	0.7021	0.7870
0.7146	5.0	35	0.5632	{'precision': 0.7777777777777778, 'recall': 0.875, 'f1': 0.823529411764706, 'number': 8}	{'precision': 0.75, 'recall': 0.6923076923076923, 'f1': 0.7199999999999999, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 1.0, 'recall': 0.9, 'f1': 0.9473684210526316, 'number': 10}	{'precision': 0.8947368421052632, 'recall': 0.85, 'f1': 0.8717948717948718, 'number': 20}	{'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	{'precision': 0.7647058823529411, 'recall': 0.8125, 'f1': 0.787878787878788, 'number': 16}	{'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	0.8229	0.8144	0.8187	0.8611
0.6475	6.0	42	0.5030	{'precision': 0.6666666666666666, 'recall': 0.75, 'f1': 0.7058823529411765, 'number': 8}	{'precision': 0.75, 'recall': 0.6923076923076923, 'f1': 0.7199999999999999, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 1.0, 'recall': 0.7, 'f1': 0.8235294117647058, 'number': 10}	{'precision': 0.8421052631578947, 'recall': 0.8, 'f1': 0.8205128205128205, 'number': 20}	{'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	{'precision': 0.7647058823529411, 'recall': 0.8125, 'f1': 0.787878787878788, 'number': 16}	{'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	0.7979	0.7732	0.7853	0.8426
0.5697	7.0	49	0.4463	{'precision': 0.7777777777777778, 'recall': 0.875, 'f1': 0.823529411764706, 'number': 8}	{'precision': 0.75, 'recall': 0.6923076923076923, 'f1': 0.7199999999999999, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.8888888888888888, 'recall': 0.8, 'f1': 0.8421052631578948, 'number': 10}	{'precision': 0.8947368421052632, 'recall': 0.85, 'f1': 0.8717948717948718, 'number': 20}	{'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	{'precision': 0.7647058823529411, 'recall': 0.8125, 'f1': 0.787878787878788, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8211	0.8041	0.8125	0.8611
0.4919	8.0	56	0.4412	{'precision': 0.6666666666666666, 'recall': 0.75, 'f1': 0.7058823529411765, 'number': 8}	{'precision': 0.6923076923076923, 'recall': 0.6923076923076923, 'f1': 0.6923076923076923, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 1.0, 'recall': 0.9, 'f1': 0.9473684210526316, 'number': 10}	{'precision': 0.9473684210526315, 'recall': 0.9, 'f1': 0.9230769230769231, 'number': 20}	{'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	{'precision': 0.6842105263157895, 'recall': 0.8125, 'f1': 0.742857142857143, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8061	0.8144	0.8103	0.8426
0.4344	9.0	63	0.4189	{'precision': 0.7, 'recall': 0.875, 'f1': 0.7777777777777777, 'number': 8}	{'precision': 0.8181818181818182, 'recall': 0.6923076923076923, 'f1': 0.7500000000000001, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 1.0, 'recall': 0.9, 'f1': 0.9473684210526316, 'number': 10}	{'precision': 0.9473684210526315, 'recall': 0.9, 'f1': 0.9230769230769231, 'number': 20}	{'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 10}	{'precision': 0.6842105263157895, 'recall': 0.8125, 'f1': 0.742857142857143, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8163	0.8247	0.8205	0.8704
0.4855	10.0	70	0.4099	{'precision': 0.7272727272727273, 'recall': 1.0, 'f1': 0.8421052631578948, 'number': 8}	{'precision': 0.7272727272727273, 'recall': 0.6153846153846154, 'f1': 0.6666666666666667, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9473684210526315, 'recall': 0.9, 'f1': 0.9230769230769231, 'number': 20}	{'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 10}	{'precision': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8182	0.8351	0.8265	0.8704
0.482	11.0	77	0.3974	{'precision': 0.8, 'recall': 1.0, 'f1': 0.888888888888889, 'number': 8}	{'precision': 0.75, 'recall': 0.6923076923076923, 'f1': 0.7199999999999999, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9473684210526315, 'recall': 0.9, 'f1': 0.9230769230769231, 'number': 20}	{'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 10}	{'precision': 0.6842105263157895, 'recall': 0.8125, 'f1': 0.742857142857143, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.82	0.8454	0.8325	0.8704
0.3704	12.0	84	0.3928	{'precision': 0.8, 'recall': 1.0, 'f1': 0.888888888888889, 'number': 8}	{'precision': 0.75, 'recall': 0.6923076923076923, 'f1': 0.7199999999999999, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9473684210526315, 'recall': 0.9, 'f1': 0.9230769230769231, 'number': 20}	{'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 10}	{'precision': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8283	0.8454	0.8367	0.8796
0.3888	13.0	91	0.3838	{'precision': 0.8, 'recall': 1.0, 'f1': 0.888888888888889, 'number': 8}	{'precision': 0.75, 'recall': 0.6923076923076923, 'f1': 0.7199999999999999, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9473684210526315, 'recall': 0.9, 'f1': 0.9230769230769231, 'number': 20}	{'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 10}	{'precision': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8283	0.8454	0.8367	0.8796
0.3754	14.0	98	0.3889	{'precision': 0.8, 'recall': 1.0, 'f1': 0.888888888888889, 'number': 8}	{'precision': 0.75, 'recall': 0.6923076923076923, 'f1': 0.7199999999999999, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9473684210526315, 'recall': 0.9, 'f1': 0.9230769230769231, 'number': 20}	{'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 10}	{'precision': 0.6842105263157895, 'recall': 0.8125, 'f1': 0.742857142857143, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.82	0.8454	0.8325	0.8704
0.3666	15.0	105	0.3906	{'precision': 0.8, 'recall': 1.0, 'f1': 0.888888888888889, 'number': 8}	{'precision': 0.75, 'recall': 0.6923076923076923, 'f1': 0.7199999999999999, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9473684210526315, 'recall': 0.9, 'f1': 0.9230769230769231, 'number': 20}	{'precision': 0.6363636363636364, 'recall': 0.7, 'f1': 0.6666666666666666, 'number': 10}	{'precision': 0.6842105263157895, 'recall': 0.8125, 'f1': 0.742857142857143, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.82	0.8454	0.8325	0.8704

Framework versions

• Transformers 4.38.2
• Pytorch 2.2.1+cu121
• Datasets 2.18.0
• Tokenizers 0.15.2