企业官网建设流程全解析

Label Studio OCR 发票预标注模板实战教程：从 OCR 框到 BIO NER 训练数据只需 3 步

【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

手头有一批发票图片，OCR 模型已经能跑出文本框和识别文字，但识别结果有错、框选不够准，没法直接当 NER 训练数据用。Label Studio 的 OCR Invoices Pre-NER BIO Format 模板正好补上这段：把发票上每个 OCR 框变成图片里的矩形，人工逐个校对框内文字，导出后即得到带「坐标 + 文本 + 类别」的 token 序列，可直接进入 BIO 实体标注。照下面的步骤走，半小时能搭起一条「发票图片 → 预标注语料」的完整管线。

先建立心智模型：这条流水线分几步

1. OCR 出草稿：OCR 模型对发票图片做文本检测，输出一组带坐标的 text token——发票号、金额、日期各是一个 token。
2. 人工校对（本模板干的事）：每个 token 在界面里呈现为一个矩形，标注者核对框选区域、修正框内 OCR 转写的文字，同时所有 token 先统一归到O类。BIO 约定里 O 代表 Outside（实体外），含义是"这个 token 暂时不属于任何实体"。
3. 实体标注：把校对后的 token 序列按阅读顺序排好，在其上按 BIO 约定（B-前缀标实体开头、I-标实体内部、O标实体外）打标签，产出发票字段抽取模型的训练数据。

"Pre-NER" 这个名字说的就是第 2 步的定位：它不直接产出 B-xxx / I-xxx 实体标签，只负责把 token 边界和文字收拾干净。全部 token 从O起步，意味着下一轮 NER 标注面对的是干净起点。仓库里还有一个后接模板 ner-tagging-invoices-bio-format，专门负责在文字序列上打 BIO 标签，两者前后衔接。

最小可用配置：贴进去就能跑

<View> <!-- 待标注的发票图片，取任务数据 $image 字段，可缩放 --> <Image name="image" value="$image" zoomControl="true"/> <!-- 矩形框选：初期只定义 O（实体外）一个类别，后续可随意扩充 --> <RectangleLabels name="label" toName="image" choice="single"> <Label value="O" background="#FFA500"/> </RectangleLabels> <!-- 逐区域转写框：perRegion 让每个矩形各绑定一个输入框 --> <TextArea name="transcription" toName="image" perRegion="true" editable="true" rows="1" required="true" placeholder="Type or correct OCR text…"/> </View>

新项目在 Labeling Setup 里选 Custom template，把这段粘进去保存，就可以导数据开工了。思路是先跑通、再扩展。带示例数据注释的完整可运行配置在仓库 config.yml，想核对细节可去比对。

三个控件，各管一件事

按标注者的真实操作顺序讲：先看图片 → 再画框 → 最后改字。

1️⃣ Image：看图

• 它做什么：展示待标注发票，value="$image"从任务data的image字段取图，支持 HTTP(S) 链接、本地路径、base64。
• 关键参数：zoomControl="true"打开缩放，发票号、金额这类小字号看得清。
• 为什么这样设：导出时矩形坐标存的是相对原图尺寸的百分比（0–100），不是像素值。不同分辨率的发票混在一起不会出现坐标系混乱；原图像素尺寸由结果里的original_width/original_height单独记录，需要时随时换算回像素。

2️⃣ RectangleLabels：画框

为什么只有一个O：Pre-NER 阶段只关心"每个框里到底是什么字"，实体归类留给下一步。O（橙色 #FFA500 背景）就是 BIO 里的 Outside 标记。想提前归类也不用动结构，直接往<RectangleLabels>里加<Label>即可，见文末改法。

3️⃣ TextArea：改字

perRegion="true"是这套组合的精髓：标注者点选某个矩形，输入框就自动对应这个区域，切换选中框时内容跟着切换，天然实现"一个框一段文字"。rows="1"还有个提速效果——单行输入框直接按 Enter 就能提交，省掉点 Add（rows 大于 1 时必须点 Add 或按 Shift+Enter）。官方 textarea 文档里还展示了displayMode="region-list"变体：所有输入框集中显示在 Regions 面板里，适合整图批量回看。

从建项目到导出：完整走一遍

1. 建项目、贴配置：新建项目，Labeling Setup 选 Custom template，粘贴上面的配置。
2. 导入任务数据：每个任务的data只需要一个键image，值是图片 URL 或 base64。支持 JSON/CSV 上传、API 上传，以及 S3/GCS/Azure Blob/本地目录等存储后端；若你已有 OCR 草稿结果，可以作为预检测结果预填进任务，标注者只需校对。
3. 标注操作序列：
   • 在发票字段上拖出一个矩形（比如发票号），框自动带上O标记；
   • 在自动关联的输入框里核对、修正该 token 的 OCR 转写；
   • 按 Enter 提交，移向下一个框；required="true"保证漏填时提交会被拦住；
   • 重复以上动作直到整张发票的 token 全部框完校对完。
4. 导出：项目页用 Export 功能导出标注结果，格式见下一节。

导出的 JSON 怎么读

每个矩形区域对应两条成对出现的记录，靠同一个区域 id 关联：

{ "id": "annotation-id", "result": [ { "id": "region-1", "type": "rectanglelabels", "from_name": "label", "to_name": "image", "original_width": 1920, "original_height": 1280, "image_rotation": 0, "value": { "x": 3.1, "y": 8.2, "width": 20, "height": 16, "rectanglelabels": ["O"], "rotation": 0 } }, { "id": "region-1", "type": "textarea", "from_name": "transcription", "to_name": "image", "value": { "text": ["Invoice No. 1024"] } } ] }

rectanglelabels 那条给坐标（x、y是旋转前左上角、width、height均为 0–100 百分比）和类别；textarea 那条给转写文本。处理逻辑很简单：按区域 id 分组聚合，再按阅读顺序排序，就得到「坐标 + 文本 + 标签(O)」的 token 列表——这正是 BIO 序列标注要的输入形态，可以直接接进下一阶段的 NER 模板。

想更进一步：常见改法

• 预标注阶段直接归类：在<RectangleLabels>里追加实体类别，如<Label value="B-Vendor" background="#4CAF50"/>、<Label value="B-Amount" background="#F44336"/>，导出时部分 token 直接带上实体类型，省掉中间转换。
• 一个框允许多类别：把choice改成multiple，适合"字段类型 + 是否实体"需要同时标记的场景。
• Regions 面板批量校对：给 TextArea 加displayMode="region-list"，所有区域输入框集中进 Regions 面板，收尾时整图过一遍更方便。
• 防止重复录入：TextArea 加skipDuplicates="true"，重复提交相同文本会弹窗拦截。
• 喂给多模态模型：导出结果带百分比坐标和原图尺寸，可还原出像素位置，配合转写文本训练「文字 + 版面」的文档抽取模型。

这套配置的价值，在于把最费人力的"OCR 结果校对"固化成标准化流水线，且输出天然对齐 BIO 约定，不需要额外的格式转换。下一步可以挑几张发票跑通完整标注，然后把导出的 token 序列直接接进 ner-tagging-invoices-bio-format 模板，体验一遍 Pre-NER → NER 的完整闭环。

【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