Initial commit: Invoice field extraction system using YOLO + OCR

Features:
- Auto-labeling pipeline: CSV values -> PDF search -> YOLO annotations
- Flexible date matching: year-month match, nearby date tolerance
- PDF text extraction with PyMuPDF
- OCR support for scanned documents (PaddleOCR)
- YOLO training and inference pipeline
- 7 field types: InvoiceNumber, InvoiceDate, InvoiceDueDate, OCR, Bankgiro, Plusgiro, Amount

Co-Authored-By: Claude Opus 4.5 <noreply@anthropic.com>
This commit is contained in:
Yaojia Wang
2026-01-10 17:44:14 +01:00
commit 8938661850
35 changed files with 5020 additions and 0 deletions

226
README.md Normal file
View File

@@ -0,0 +1,226 @@
# Invoice Master POC v2
自动账单信息提取系统 - 使用 YOLO + OCR 从 PDF 发票中提取结构化数据。
## 运行环境
> **重要**: 本项目需要在 **WSL (Windows Subsystem for Linux)** 环境下运行。
### 系统要求
- WSL 2 (Ubuntu 22.04 推荐)
- Python 3.10+
- **NVIDIA GPU + CUDA 12.x (强烈推荐)** - GPU 训练比 CPU 快 10-50 倍
## 功能特点
- **双模式 PDF 处理**: 支持文本层 PDF 和扫描图 PDF
- **自动标注**: 利用已有 CSV 结构化数据自动生成 YOLO 训练数据
- **字段检测**: 使用 YOLOv8 检测发票字段区域
- **OCR 识别**: 使用 PaddleOCR 提取检测区域的文本
- **智能匹配**: 支持多种格式规范化和上下文关键词增强
## 支持的字段
| 字段 | 说明 |
|------|------|
| InvoiceNumber | 发票号码 |
| InvoiceDate | 发票日期 |
| InvoiceDueDate | 到期日期 |
| OCR | OCR 参考号 (瑞典) |
| Bankgiro | Bankgiro 号码 |
| Plusgiro | Plusgiro 号码 |
| Amount | 金额 |
## 安装 (WSL)
### 1. 进入 WSL 环境
```bash
# 从 Windows 终端进入 WSL
wsl
# 进入项目目录 (Windows 路径映射到 /mnt/)
cd /mnt/c/Users/yaoji/git/ColaCoder/invoice-master-poc-v2
```
### 2. 安装系统依赖
```bash
# 更新系统
sudo apt update && sudo apt upgrade -y
# 安装 Python 和必要工具
sudo apt install -y python3.10 python3.10-venv python3-pip
# 安装 OpenCV 依赖
sudo apt install -y libgl1-mesa-glx libglib2.0-0 libsm6 libxrender1 libxext6
```
### 3. 创建虚拟环境并安装依赖
```bash
# 创建虚拟环境
python3 -m venv venv
source venv/bin/activate
# 升级 pip
pip install --upgrade pip
# 安装依赖
pip install -r requirements.txt
# 或使用 pip install (开发模式)
pip install -e .
```
### GPU 支持 (可选)
```bash
# 确保 WSL 已配置 CUDA
nvidia-smi # 检查 GPU 是否可用
# 安装 GPU 版本 PaddlePaddle
pip install paddlepaddle-gpu
# 或指定 CUDA 版本
pip install paddlepaddle-gpu==2.5.2.post118 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html
```
## 快速开始
### 1. 准备数据
```
data/
├── raw_pdfs/
│ ├── {DocumentId}.pdf
│ └── ...
└── structured_data/
└── invoices.csv
```
CSV 格式:
```csv
DocumentId,InvoiceDate,InvoiceNumber,InvoiceDueDate,OCR,Bankgiro,Plusgiro,Amount
3be53fd7-...,2025-12-13,100017500321,2026-01-03,100017500321,53939484,,114
```
### 2. 自动标注
```bash
python -m src.cli.autolabel \
--csv data/structured_data/invoices.csv \
--pdf-dir data/raw_pdfs \
--output data/dataset \
--report reports/autolabel_report.jsonl
```
### 3. 训练模型
> **重要**: 务必使用 GPU 进行训练CPU 训练速度非常慢。
```bash
# GPU 训练 (强烈推荐)
python -m src.cli.train \
--data data/dataset/dataset.yaml \
--model yolo11n.pt \
--epochs 100 \
--batch 16 \
--device 0 # 使用 GPU
# 验证 GPU 可用
python -c "import torch; print(f'CUDA: {torch.cuda.is_available()}, GPU: {torch.cuda.get_device_name(0) if torch.cuda.is_available() else None}')"
```
GPU vs CPU 训练时间对比 (100 epochs, 77 训练图片):
- **GPU (RTX 5080)**: ~2 分钟
- **CPU**: 30+ 分钟
### 4. 推理
```bash
python -m src.cli.infer \
--model runs/train/invoice_fields/weights/best.pt \
--input path/to/invoice.pdf \
--output result.json
```
## 输出示例
```json
{
"DocumentId": "3be53fd7-d5ea-458c-a229-8d360b8ba6a9",
"InvoiceNumber": "100017500321",
"InvoiceDate": "2025-12-13",
"InvoiceDueDate": "2026-01-03",
"OCR": "100017500321",
"Bankgiro": "5393-9484",
"Plusgiro": null,
"Amount": "114.00",
"confidence": {
"InvoiceNumber": 0.96,
"InvoiceDate": 0.92,
"Amount": 0.93
}
}
```
## 项目结构
```
invoice-master-poc-v2/
├── src/
│ ├── pdf/ # PDF 处理模块
│ ├── ocr/ # OCR 提取模块
│ ├── normalize/ # 字段规范化模块
│ ├── matcher/ # 字段匹配模块
│ ├── yolo/ # YOLO 标注生成
│ ├── inference/ # 推理管道
│ ├── data/ # 数据加载模块
│ └── cli/ # 命令行工具
├── configs/ # 配置文件
├── data/ # 数据目录
└── requirements.txt
```
## 开发优先级
1. ✅ 文本层 PDF 自动标注
2. ✅ 扫描图 OCR 自动标注
3. 🔄 金额 / OCR / Bankgiro 三字段稳定
4. ⏳ 日期、Plusgiro 扩展
5. ⏳ 表格 items 处理
## 配置
编辑 `configs/default.yaml` 自定义:
- PDF 渲染 DPI
- OCR 语言
- 匹配置信度阈值
- 上下文关键词
- 数据增强参数
## API 使用
```python
from src.inference import InferencePipeline
# 初始化
pipeline = InferencePipeline(
model_path='models/best.pt',
confidence_threshold=0.5,
ocr_lang='en'
)
# 处理 PDF
result = pipeline.process_pdf('invoice.pdf')
# 获取字段
print(result.fields)
print(result.confidence)
```
## 许可证
MIT License