企业官网建设流程全解析

20 分钟搭好 Label Studio OCR 发票预标注：BIO 格式 NER 数据准备实战

【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

给 NER 模型备料，绕不开一个前置工序：先让 OCR 从发票里「读」出文本，再让标注人员把这些读出来的词一个个核干净。社区模板 OCR Invoices Pre-NER BIO Format 就是干这件事的 Label Studio OCR 发票预标注工具：OCR 模型画好文本框后，你逐框校对转写文本，导出带坐标、带O标签的 token 列表，直接作为 BIO 格式 NER 数据准备的原料。整套标注配置只有三个控件，本文带你一次搭通。

这个模板在数据管线里的位置

三段分工，各管一段：

1. OCR 识别（上游模型）：对发票图片做文本检测与识别，产出一组带坐标的 token——token 就是发票上的一个词条或字段，比如发票号、金额、日期。
2. Pre-NER 人工校对（本模板）：每个 token 在图上呈现为一个矩形框，标注者逐框核对、修正 OCR 转写内容；这一阶段所有 token 一律记为O（Outside，实体之外）。
3. NER 实体标注（下游）：把校对好的 token 按阅读顺序排成序列，再按 BIO 约定打B-（实体开始）/I-（实体内部）标签，进入模型训练。

一句话：本模板不产出实体标签，它只负责把 token 边界和转写文本理干净。

一份 Label Studio 标注配置看懂三个控件 🏷️

<View> <Image name="image" value="$image" zoomControl="true"/> <RectangleLabels name="label" toName="image" choice="single"> <Label value="O" background="#FFA500"/> </RectangleLabels> <TextArea name="transcription" toName="image" perRegion="true" editable="true" rows="1" required="true" placeholder="Type or correct OCR text…"/> </View>

<Image>负责展示票据，value="$image"从任务数据里取图片 URL。它有个容易被忽视的设定：导出结果的坐标不是像素值，而是相对原图宽高的 0–100 百分比，混用不同分辨率的发票图片也不用先归一化。

<RectangleLabels>通过toName="image"绑到图片上，管「框」这一半：choice="single"意味着每个框只能挂一个标签，模板里就定义了一个橙色O标签，含义是「所有 token 默认都在实体之外」。

<TextArea>管「文」这一半。它同样绑到image，但关键在于perRegion="true"：输入框不再是一张图一个，而是每个矩形各一个。发票号框出来的瞬间，关联输入框里就带着那段 OCR 文本，你只管改字。editable="true"保证改得动，rows="1"让单行输入框支持直接按 Enter 提交，省掉点击动作。

缺了就不好使的四个参数 ⚙️

perRegion是全篇配置里最不能省的一个。一旦关掉，TextArea 就和矩形脱钩，变成「整图填一段文本」，逐框校对的工作流当场失效。

choice="single"决定了每个框只有一个标签位。这迫使标注者当场做出判断，导出结果干净；反过来，如果你希望「先框选、后分类」，把它改成multiple就能在后续流程里补分类。

required="true"把漏填堵死：某个 token 没写转写文本，整个任务提交不了。对 OCR 转写校对来说，缺一个字段比错一个字段更危险——token 序列不完整会直接污染下游 NER 语料。

zoomControl="true"是体验项：发票字号普遍偏小，开大缩放控件，标注者看清细字才校得准。关掉它，等于让人在缩略图上猜字。

从导入发票图到导出结果 ✅

1. 新建项目，进入 Labeling Setup 选 Custom template，粘贴上面整段 XML 保存。
2. 导入任务：每条任务的data只需一个image键，值是图片地址；JSON/CSV 上传与 S3、GCS 等存储后端的用法见 docs/source/guide/tasks.md。
3. 框选校对：在图上框住一个 token，关联输入框自动带出 OCR 文本，改好按 Enter 提交，接着框下一个。
4. 全部提交后从 Export 导出标注结果，得到每个区域的坐标、标签与转写文本。

导出的数据长什么样

每个矩形产出两条id相同的记录，成对出现在result数组里：

{ "result": [ { "id": "r1", "type": "rectanglelabels", "from_name": "label", "value": { "x": 12.4, "y": 8.2, "width": 18.6, "height": 3.1, "rectanglelabels": ["O"] } }, { "id": "r1", "type": "textarea", "from_name": "transcription", "value": { "text": ["TOTAL 66.54"] } } ] }

按区域 id 聚合：rectanglelabels那条给出 0–100 百分比坐标与标签，textarea那条给出校对后的文本。拼起来就是「坐标 + 文本 + O」的 token 列表；把它按阅读顺序排好，即可送入下一阶段的 BIO 打标——仓库里的 ner-tagging-invoices-bio-format 模板正是接这一棒，在词粒度上打 B/I 标签。

从「全是 O」到字段级标签

如果不想等到下一阶段才分类，直接在RectangleLabels里加标签即可：

<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>

取舍很清楚：一步到位省掉中间转换环节，但校对与分类压进同一步操作，纯校对变慢，且要求标签体系一开始就稳定；保持只有O则把字段分类留给 NER 阶段，每步都能独立质检，代价是管线多走一遍。标签集不确定的团队，建议先按单标签跑通再扩展。

模板源码在 label_studio/annotation_templates/community-contributions/ocr-invoices-pre-ner-bio-format/config.yml；控件参数与结果字段的完整定义见 docs/source/tags/rectanglelabels.md 和 docs/source/tags/textarea.md。把 Image、RectangleLabels、TextArea 三件套接上，「OCR 校对 → BIO 语料」这条管线就是你的了。

【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