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: 0.4300
At Table Summary: {'precision': 0.7777777777777778, 'recall': 0.875, 'f1': 0.823529411764706, 'number': 8}
Aymentinformation: {'precision': 0.7272727272727273, 'recall': 0.6153846153846154, 'f1': 0.6666666666666667, 'number': 13}
Eader: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}
Ineitemtable: {'precision': 0.9090909090909091, 'recall': 1.0, 'f1': 0.9523809523809523, 'number': 10}
Nvoicedetails: {'precision': 0.9473684210526315, 'recall': 0.9, 'f1': 0.9230769230769231, 'number': 20}
Ogo: {'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}
Ontact: {'precision': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}
Ooter: {'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}
Overall Precision: 0.8247
Overall Recall: 0.8247
Overall F1: 0.8247
Overall Accuracy: 0.8611

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
1.8986	1.0	7	1.5870	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 8}	{'precision': 0.625, 'recall': 0.38461538461538464, 'f1': 0.4761904761904762, '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': 0.16666666666666666, 'recall': 0.25, 'f1': 0.2, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10}	{'precision': 0.27586206896551724, 'recall': 0.5, 'f1': 0.35555555555555557, 'number': 16}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10}	0.2687	0.1856	0.2195	0.4537
1.4325	2.0	14	1.1397	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 8}	{'precision': 0.42857142857142855, 'recall': 0.46153846153846156, 'f1': 0.4444444444444445, 'number': 13}	{'precision': 1.0, 'recall': 0.5, 'f1': 0.6666666666666666, 'number': 10}	{'precision': 0.8, 'recall': 0.4, 'f1': 0.5333333333333333, 'number': 10}	{'precision': 0.44, 'recall': 0.55, 'f1': 0.48888888888888893, 'number': 20}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 10}	{'precision': 0.375, 'recall': 0.5625, 'f1': 0.45, 'number': 16}	{'precision': 0.6666666666666666, 'recall': 0.2, 'f1': 0.30769230769230765, 'number': 10}	0.4868	0.3814	0.4277	0.5741
1.1089	3.0	21	0.8939	{'precision': 0.4, 'recall': 0.25, 'f1': 0.3076923076923077, 'number': 8}	{'precision': 0.38461538461538464, 'recall': 0.38461538461538464, 'f1': 0.38461538461538464, 'number': 13}	{'precision': 1.0, 'recall': 0.7, 'f1': 0.8235294117647058, 'number': 10}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	{'precision': 0.5454545454545454, 'recall': 0.6, 'f1': 0.5714285714285713, 'number': 20}	{'precision': 0.625, 'recall': 0.5, 'f1': 0.5555555555555556, 'number': 10}	{'precision': 0.5882352941176471, 'recall': 0.625, 'f1': 0.6060606060606061, 'number': 16}	{'precision': 0.6666666666666666, 'recall': 0.4, 'f1': 0.5, 'number': 10}	0.5977	0.5361	0.5652	0.6944
0.8769	4.0	28	0.7450	{'precision': 0.5, 'recall': 0.375, 'f1': 0.42857142857142855, 'number': 8}	{'precision': 0.6363636363636364, 'recall': 0.5384615384615384, 'f1': 0.5833333333333334, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	{'precision': 0.7894736842105263, 'recall': 0.75, 'f1': 0.7692307692307692, 'number': 20}	{'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	{'precision': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.75	0.7113	0.7302	0.8056
0.7089	5.0	35	0.6354	{'precision': 1.0, 'recall': 0.75, 'f1': 0.8571428571428571, 'number': 8}	{'precision': 0.6428571428571429, 'recall': 0.6923076923076923, 'f1': 0.6666666666666666, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.8181818181818182, 'recall': 0.9, 'f1': 0.8571428571428572, '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': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.7938	0.7938	0.7938	0.8426
0.6253	6.0	42	0.5627	{'precision': 1.0, 'recall': 0.875, 'f1': 0.9333333333333333, 'number': 8}	{'precision': 0.6428571428571429, 'recall': 0.6923076923076923, 'f1': 0.6666666666666666, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9, 'recall': 0.9, 'f1': 0.9, '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': 0.7058823529411765, 'recall': 0.75, 'f1': 0.7272727272727272, 'number': 16}	{'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	0.8041	0.8041	0.8041	0.8519
0.5632	7.0	49	0.5253	{'precision': 1.0, 'recall': 0.875, 'f1': 0.9333333333333333, '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': 0.8181818181818182, 'recall': 0.9, 'f1': 0.8571428571428572, 'number': 10}	{'precision': 0.8, 'recall': 0.8, 'f1': 0.8000000000000002, 'number': 20}	{'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	{'precision': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 10}	0.8021	0.7938	0.7979	0.8426
0.5003	8.0	56	0.4927	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 8}	{'precision': 0.7142857142857143, 'recall': 0.7692307692307693, 'f1': 0.7407407407407408, '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': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	{'precision': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8469	0.8557	0.8513	0.8796
0.4502	9.0	63	0.4682	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 8}	{'precision': 0.7142857142857143, 'recall': 0.7692307692307693, 'f1': 0.7407407407407408, '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': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	{'precision': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8469	0.8557	0.8513	0.8796
0.4891	10.0	70	0.4630	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, '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': 0.9090909090909091, 'recall': 1.0, 'f1': 0.9523809523809523, 'number': 10}	{'precision': 0.9, 'recall': 0.9, 'f1': 0.9, 'number': 20}	{'precision': 0.7, 'recall': 0.7, 'f1': 0.7, 'number': 10}	{'precision': 0.7058823529411765, 'recall': 0.75, 'f1': 0.7272727272727272, 'number': 16}	{'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 10}	0.8247	0.8247	0.8247	0.8611
0.4707	11.0	77	0.4498	{'precision': 0.8888888888888888, 'recall': 1.0, 'f1': 0.9411764705882353, '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': 0.9090909090909091, 'recall': 1.0, 'f1': 0.9523809523809523, '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': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8367	0.8454	0.8410	0.8704
0.3707	12.0	84	0.4455	{'precision': 0.7777777777777778, 'recall': 0.875, 'f1': 0.823529411764706, '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': 0.9090909090909091, 'recall': 1.0, 'f1': 0.9523809523809523, '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': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8247	0.8247	0.8247	0.8611
0.3966	13.0	91	0.4352	{'precision': 0.7777777777777778, 'recall': 0.875, 'f1': 0.823529411764706, 'number': 8}	{'precision': 0.6363636363636364, 'recall': 0.5384615384615384, 'f1': 0.5833333333333334, 'number': 13}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}	{'precision': 0.9090909090909091, 'recall': 1.0, 'f1': 0.9523809523809523, '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': 0.7058823529411765, 'recall': 0.75, 'f1': 0.7272727272727272, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8125	0.8041	0.8083	0.8519
0.3643	14.0	98	0.4309	{'precision': 0.875, 'recall': 0.875, 'f1': 0.875, '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': 1.0, 'f1': 1.0, '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': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8351	0.8351	0.8351	0.8704
0.3919	15.0	105	0.4300	{'precision': 0.7777777777777778, 'recall': 0.875, 'f1': 0.823529411764706, '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': 0.9090909090909091, 'recall': 1.0, 'f1': 0.9523809523809523, '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': 0.7222222222222222, 'recall': 0.8125, 'f1': 0.7647058823529411, 'number': 16}	{'precision': 0.7777777777777778, 'recall': 0.7, 'f1': 0.7368421052631577, 'number': 10}	0.8247	0.8247	0.8247	0.8611

Framework versions

Transformers 4.38.2
Pytorch 2.2.1+cu121
Datasets 2.18.0
Tokenizers 0.15.2

pabloma09/layoutlm-GenText

layoutlm-GenText

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

pabloma09/
layoutlm-GenText