企业官网建设流程全解析

OCR Invoices Pre-NER BIO Format 标注模板完整指南：发票预标注数据准备一条龙

【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

发票信息抽取管线里，OCR 文本要先经人工校对，才能用于 NER 训练。Label Studio 社区标注模板「OCR Invoices Pre-NER BIO Format」把这套预标注数据准备变成可直接套用的流程：框选 token、校对转写，最后导出 BIO 就绪的 token 序列。

数据流：一张发票图到一条 BIO 语料

这一节解决"数据从哪来、到哪去"的问题：一张发票图要经过四个阶段，才变成 NER 训练能用的语料。

1. 输入：每个任务的data字段只需一个image键，值是发票图片的 URL 或 base64。
2. OCR 检测识别：OCR 模型输出带坐标的文本 token。token 即发票上的每个词条或字段，每个 token 对应一个 bounding box（矩形框）。有预检测时框已生成，没有就手动框选。
3. 人工校对（Pre-NER 阶段）：标注者逐个核对框内转写文本，可修改错字。所有 token 初始标签都是O（Outside，实体外部）。
4. 导出：标注结果按区域 id 聚合成"坐标 + 文本 + 标签"的 token 列表。
5. NER 训练输入：把该列表按阅读顺序排列，在其上标注 B-（实体开始）与 I-（实体内部）标签。BIO 约定即 B-、I-、O 三者组合。仓库中的 ner-tagging-invoices-bio-format 模板就是为第 5 步准备的。

这个模板的产出不是最终 NER 语料，而是一份全部标为 O 的 token 序列。

配置拆解：三个控件如何协同

这一节解决"配置怎么写"的问题：Image、RectangleLabels、TextArea 三个控件组合成一份完整可运行的配置。

<View> <!-- The image to annotate --> <Image name="image" value="$image" zoomControl="true"/> <!-- Bounding-box control that will receive the "rectanglelabels" results coming from your OCR model (from_name = "label") --> <RectangleLabels name="label" toName="image" choice="single"> <!-- You only emit the generic "O" class, but feel free to add more labels --> <Label value="O" background="#FFA500"/> </RectangleLabels> <!-- Per-region transcription box (from_name = "transcription"). Because perRegion="true", one TextArea is linked to each rectangle. --> <TextArea name="transcription" toName="image" perRegion="true" editable="true" rows="1" required="true" placeholder="Type or correct OCR text…"/> </View>

这段配置与仓库 config.yml 中的 config 段一致。注意两点：value="$image"从任务数据取图；每个矩形产出两条结果，from_name分别为label和transcription。完整配置可直接复制使用。

Image：图片展示与缩放

<Image>负责展示发票图片。它决定了坐标的参照系：标注结果的坐标以图片原始尺寸的百分比（0–100）存储，而非像素值。

这么配的原因：发票小字号多，zoomControl="true"让你能放大看清字段，而百分比坐标让不同分辨率的票据可以共用一套配置。

RectangleLabels：框选 token 并打 O 标签

<RectangleLabels>创建带标签的矩形框，是 OCR 预检测结果的落点。本模板只定义了一个标签O，橙色填充便于肉眼识别。

choice="single"保证一个框只属于一个类别，导出时无需处理多标签歧义。标签集本身很轻，注释也说明可以按需要扩充。

TextArea：逐框转写校对

<TextArea>提供转写输入。perRegion 表示按区域标注：与整图标注不同，它让每个矩形框绑定一个独立输入框。

perRegion="true" 是整个模板的关键。它让"一个矩形一段文本"成为硬绑定：选中哪个框，输入框就对应哪段 OCR 文本。rows="1"再配合 Enter 直接提交，校对节奏快，无需点击 Add 按钮。

上手四步 🚀：从建项目到导出

这一节解决"怎么跑起来"的问题：建项目、导数据、标注、导出，每步附一个常见卡点。

1. 建项目贴配置：新建项目，在 Labeling Setup 选择 Custom template，粘贴上文完整配置并保存。卡点：toName必须与<Image>的name完全一致，否则控件不绑定，框选不可用。

2. 导入任务数据：在项目 Import Data 页上传 JSON 文件，或经 API 与 S3、GCS 等存储后端导入，参考 tasks.md 与 storage.md。数据形态只需一个image键：

   { "data": { "image": "https://your-domain.com/invoices/1024.png" } }

   这里的 URL 换成你自己的可访问地址即可，base64 数据同样支持。卡点：image用了相对路径时浏览器无法解析，必须换成完整 URL。

3. 标注操作序列：框选一个 token → 在输入框核对并修正转写文本 → 按 Enter 提交 → 继续下一个框。有 OCR 预检测时，只需核对框位与文本。卡点：required="true"意味着存在未填转写的框时，Submit 会被拦截，无法提交整条任务。

4. 导出：在 Export 页选择 JSON 格式下载，流程见 export.md。卡点：导出的 x、y、width、height 是 0–100 的百分比，需乘以original_width、original_height才能还原像素坐标。

导出结果怎么读 📦

这一节解决"导出物怎么用"的问题：同一条标注里的 rectanglelabels 与 textarea 记录靠相同 id 配对。

每个矩形区域产出两条记录，片段如下（字段取自仓库文档示例，实际字段以仓库实际为准）：

{ "result": [ { "id": "X_12fGk", "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": "X_12fGk", "type": "textarea", "from_name": "transcription", "to_name": "image", "value": { "text": ["Invoice No. 1024"] } } ] }

逐字段看：

• rectanglelabels 记录：from_name为label，对应 RectangleLabels 控件。value.x、value.y是旋转前左上角坐标，width、height是宽高，均为百分比。original_width、original_height记录原图像素尺寸，image_rotation记录图片旋转角度。rectanglelabels数组即该框的标签，本模板固定为["O"]。
• textarea 记录：from_name为transcription。value.text是数组，对应该区域提交的全部转写文本；单行提交时通常只有一个元素。
• 两条记录的id相同（示例中的X_12fGk），说明它们来自同一个矩形区域。按 id 聚合后，每个 token 就同时拥有坐标、文本与标签。

变成 NER 训练输入的方法：按阅读顺序（先 y 后 x 排序）取出各 token 的text，组成 token 序列，初始标签全为 O。后续在该序列上打 B-/I- 标签，即得 BIO 训练语料。仓库的 ner-tagging-invoices-bio-format 模板以granularity="word"的 Text 控件承接这一步，界面如下。

进阶：从单一 O 标签到细粒度实体

这一节解决"能否提前标实体类型"的问题：发票字段类型已知时，标签集直接扩展即可，无需两遍标注。

可直接替换原 RectangleLabels 片段的扩展配置：

<RectangleLabels name="label" toName="image" choice="single"> <Label value="O" background="#FFA500"/> <Label value="B-Vendor" background="#4CAF50"/> <Label value="B-InvoiceNo" background="#2196F3"/> <Label value="B-Amount" background="#F44336"/> <Label value="B-Date" background="#9C27B0"/> </RectangleLabels>

choice="single"保持不变，每个框仍只选一个标签。标注者在框选时直接选实体类型，Pre-NER 阶段即产出带类型的 token，省去后续转换。

扩展标签应保留 BIO 前缀约定（B-xxx、I-xxx、O），下游解析代码才能统一处理。适用场景：字段类型稳定（供应商、发票号、金额、日期）且希望一遍完成。若你倾向"先框选校对、后分类"的两步流程，保持默认 O 标签，把实体分类留给 NER 模板即可。

总结与资源索引

本节收口要点并集中给出资源。OCR Invoices Pre-NER BIO Format 只做一件事：Image 展示发票，RectangleLabels 以 O 标签框选 token，TextArea perRegion 完成逐框转写校对。导出的"坐标 + 文本 + O"token 序列，正是 NER 训练的标准输入。预标注数据准备，照此流程即可复用。

【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