安利一个开源的好工具Label Studio, 闭环数据标注和模型训练

2020 年 12 月 30 日 AINLP

原创 · 作者 | Johnson

职业 | 菱歌科技Datatouch项目算法工程师

研究方向 | 自然语言处理



本示例是NLP示例,实际也可以用于图像工作。

官方仓库代码:

label-studio: heartexlabs/label-studio

textbrewer: airaria/TextBrewer

我的测试代码:

johnson7788/label-studio

johnson7788/TextBrewer

一、简介

1.1 在NLP日常工作中,我们需要按几个步骤进行数据处理和模型训练。

1. 先收集数据:通过爬虫或者其它工具,将数据结构化保存到数据库中。

2. 数据预处理:其中大部分都是无标签数据,对于无标签数据的可以用无监督做预训练模型,也可以用经过整理后进行标注变成有标签数据。

3. 数据标注:对于NLP的标注,我们常用的标注包括文本分类,命名实体识别,文本摘要等。

4. 模型训练:对打好标签的数据进行训练,参数调优等

5. 模型评估:对测试数据或开发数据进行评估,判断模型好坏

6. 不断重复1-5步,优化模型和数据,提高模型性能。

图1、流程图

1.2 通常完成这些步骤耗时数周的时间,所以我们需要整合相关功能到自动化的平台。

本文使用的是工具有:

label-studio: 数据标注工具

transformers: 高度集成的模型训练套件

TextBrewer: 哈工大模型蒸馏工具

flask: 自定义一些api,把标注和模型训练串联起来

二、label-studio

2.1 label-studio扮演的角色

如下图,label-studio用于连接各个数据导入,数据标注,调用模型训练标注好的数据的作用。

图2

预览图: 关键字情感分类的标注示例,可以关联多个模型的预测结果,例如使用bert和electra2个模型作为ML后端

图3

2.2 Features

  • 可配置: 使用jsx tags配置,自定义配置标注页面,所以可标注格式很多,样式也可以自定义

  • 协作标注: 由两个或更多人label同一任务,然后比较结果,还支持用户名密码简单的认证。支持按预测的模型预测的probability的大小顺序标注,默认按导入数据的索引顺序标注。

  • 多种数据类型: 您定义自己的具有不同的label类型, ImagesAudiosTextsHTMLs,已有大量模板,直接使用接口

  • 支持导入格式: JSON, CSV, TSV, RAR and ZIP archives,支持API导入数据。

  • NPM嵌入: 前端是NPM包, NPM package. 您可以将其包含在您的项目中 .

  • 机器学习: 机器学习的集成支持。可视化并比较来自不同模型的预测。pre-labeling功能很好,可以实现用训练的模型预标注数据,那么结果人工标注前就比较方便,而且还知道模型预测的怎么样

  • 支持docker容器部署

  • 方便的API接口

具体支持的标注内容如下:


三、使用方法

3.1 调用API

我们要利用label-studio的API实现以下功能:

导入数据-->人工打开label-studio标注数据-->训练模型-->训练好的模型预测未标注数据,辅助人员标注

  • /api/project GET 返回项目的设置和状态,状态包括任务和完成的数量 POST 创建一个任务,带desc参数作为项目的标题 PATCH 更新任务设置

  • /api/project/config POST修改配置文件

  • /api/project/import POST 导入数据

  • /api/project/export GET 导出数据

  • /api/tasks GET 获取所有数据; DELETE方法 删除所有task数据,删除所有task, 数据, 同时会删除已标注的数据

  • /api/tasks/<task_id> GET 获取第几条数据; DELETE delete specific task

  • /api/tasks/<task_id>/completions POST create a new completion; DELETE delete all task completions

  • /api/tasks/<task_id>/completions/<completion_id> PATCH update completion; DELETE delete completion

  • /api/completions GET returns all completion ids; DELETE 删除所有已完成的标注样本

  • /api/models blueprint.py 文件 GET 列出所有模型; DELETE 删除模型,json格式的参数name 是模型的名称

  • /api/models/train POST 训练模型

  • /api/models/predictions?mode={data|all_tasks} GET | POST

  • mode=data: 如果/api/models/predictions?mode=data, 需要post data内容,用json的格式,预测data的数据

  • mode=all_tasks: 对所有的本地的数据进行预测

3.2 操作顺序

省略克隆项目,安装requirements.txt依赖包等配置工作

  • 初始化label-studio项目,配置项目设置config.json, 配置页面标签样式config.xml

  • 如果启动机器学习或者深度学习的模型辅助预测和训练,那么初始化ML后端

  • 使用/api/project/import导入数据,或者在初始化label-studio项目时,使用命令导入数据

  • 修改ML后端的训练和预测的代码的函数,保证训练和预测的函数是可以正常运行的

  • 开始标注数据,例如标注了100条后,训练模型

  • 继续标注数据时,就会加载预测模型的结果,辅助标注

3.2.1 启动label-studio

我们先判断是否需要启动机器学习后端,如果不需要启动机器学习后端(不会pre-labeling辅助标记和训练模型),那么只用打标功能:

#表示启动一个项目,名字是text_classification_project,模板是text_named_entity
label_studio/server.py start text_classification_project --init --template text_named_entity --ml-backends http://localhost:9090

#或者启动一个已有的project,如果已经初始化
label_studio/server.py start text_classification_project --debug -b

文件说明
```buildoutcfg
text_classification_project/ #项目目录
├── completions 标注完成的数据保存的文件夹
│ ├── 0.json 一条标注完成的数据
│ ├── 1.json
├── config.json 项目配置文件
├── config.xml 标注页面样式显示的配置,可以自己按照自己需求设置,只需要懂一点前端的代码格式即可
├── export
│ └── 2020-12-28-11-44-52.zip #标注完成导出的数据
├── source.json 存储数据的元信息
└── tasks.json 一条未标注的数据,数据会导入到这里
```

3.2.2 启动ML后端

这里我们可以添加多个ML后端,方便标注人员进行实时对比哪个模型的pre-labeling更好一些

# 初始化一个ml的后端
label-studio-ml init my_ml_backend --script label_studio/ml/examples/simple_text_classifier.py

# 启动一个已存在ml后端
方法1:
```buildoutcfg
label-studio-ml start my_ml_backend
```
或方法2:
```buildoutcfg
python my_ml_backend/_wsgi.py --log-level DEBUG --debug
```

3.2.3 导入数据

调用label-studio的/api/project/import 接口导入数据,需要实现自己的代码, 例如从自己的各种数据库或者hive中获取数据获取数据,如果是txt文本或者csv,json等,都可以直接初始化的时候直接通过命令行导入。

headers = {'content-type': 'application/json;charset=UTF-8'}
host = "http://localhost:8080/api/"
def import_data():
"""
导入数据
:return:
"""
data = [{"text": "很好,实惠方便,会推荐朋友"}, {"text": "一直买的他家这款洗发膏,用的挺好的,洗的干净也没有头皮屑"}, {"text": "不太顺滑"}, {"text": "特别香,持久"}]
r = requests.post(host + "project/import", data=json.dumps(data), headers=headers)
pp.pprint(r.json())

3.2.4 修改ML后端的训练和预测函数

训练和预测的函数也可以是api调用,也可以是参考heartexlabs/label-studio-transformers与transformers集成,这里我调用的是自己写的bert模型和electra模型,2个ML模型作为后端。

# ML后端的文件说明
这里只需要修改_wsgi.py 和simple_text_classifier.py(这是自定义的)中的代码即可
```buildoutcfg
my_ml_backend/
├── Dockerfile 可以制作docker镜像
├── README.md
├── _wsgi.py 函数入口
├── simple_text_classifier.py 被_wsgi.py入口函数调用,这个文件主要实现训练和预测2个函数
├── docker-compose.yml docker compose启动docker
├── requirements.txt 自定义requirements
├── supervisord.conf supervisor 函数docker中使用
└── uwsgi.ini docker中使用
```

3.2.5 标注数据

默认打开的网页是, 127.0.0.1:8080

如图3所示,开始标记,如果你已添加的模型的预测功能已经可以正常预测,那么页面右侧会显示哪个模型可用,可用模型的预标记pre-labeling结果。

3.2.6 训练模型

点击127.0.0.1:8080/model开始训练模型,或者调用/api/models/train训练模型

循环导入数据,标注数据,训练模型,完成整个流程。

四、页面展示

任务页面: 显示共有多少条数据,标记完成多少条数据,默认按索引(sequential)顺序进行标注,也可以按照其它方式标注,例如prediction-score-min表示预测的分数最小的先标注,使用的是task["predictions"]的"score"字段, prediction-score-max 使用预测的分数最大的顺序。

模型页面:

显示自定义的ML模型,可以添加多个,分别预测结果辅助标注人员标注数据

标注页面样式设置

预设多种Basic config, 支持不同的数据格式的标注,点击后可以进行预览。

五、结论

label-studio支持文本,图片,视频,时间序列等各种标注,格式丰富,前后端分离,丰富的API,可以二次开发,只需要开发数据导入,自定义ML后端模型的预测和训练函数即可。




本文由作者授权AINLP原创发布于公众号平台,欢迎投稿,AI、NLP均可。原文链接,点击"阅读原文"直达:


https://zhuanlan.zhihu.com/p/339567115


欢迎加入AINLP技术交流群
进群请添加AINLP小助手微信 AINLPer(id: ainlper),备注NLP技术交流

推荐阅读

这个NLP工具,玩得根本停不下来

金融NLP需求落地实践总结——热门话题生成

专注于金融领域任务,首个金融领域的开源中文预训练语言模型 FinBERT 了解下

bert性能优化之——用另一种方式整合多头注意力

如何让Bert在finetune小数据集时更“稳”一点

模型压缩实践系列之——bert-of-theseus,一个非常亲民的bert压缩方法

征稿启示| 200元稿费+5000DBC(价值20个小时GPU算力)

文本自动摘要任务的“不完全”心得总结番外篇——submodular函数优化

Node2Vec 论文+代码笔记

模型压缩实践收尾篇——模型蒸馏以及其他一些技巧实践小结

中文命名实体识别工具(NER)哪家强?

学自然语言处理,其实更应该学好英语

斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区,专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享,主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等,欢迎关注!加技术交流群请添加AINLPer(id:ainlper),备注工作/研究方向+加群目的。


阅读至此了,分享、点赞、在看三选一吧🙏

登录查看更多
22

相关内容

专知会员服务
58+阅读 · 2021年1月17日
【CIKM2020】学习个性化网络搜索会话
专知会员服务
14+阅读 · 2020年9月20日
干净的数据:数据清洗入门与实践,204页pdf
专知会员服务
161+阅读 · 2020年5月14日
【Amazon】使用预先训练的Transformer模型进行数据增强
专知会员服务
56+阅读 · 2020年3月6日
数据标注研究综述,软件学报,19页pdf
专知会员服务
89+阅读 · 2020年2月20日
Mask-RCNN模型的实现自定义对象(无人机)检测
计算机视觉life
17+阅读 · 2019年8月12日
【GitHub】BERT模型从训练到部署全流程
专知
34+阅读 · 2019年6月28日
Pupy – 全平台远程控制工具
黑白之道
43+阅读 · 2019年4月26日
使用PaddleFluid和TensorFlow训练序列标注模型
PaperWeekly
6+阅读 · 2018年7月11日
资源 | 深度学习图像标注工具汇总
AI100
6+阅读 · 2018年6月12日
机器翻译不可不知的 Seq2Seq 模型
AI研习社
4+阅读 · 2018年5月24日
python pandas 数据处理
Python技术博文
4+阅读 · 2017年8月30日
A Sketch-Based System for Semantic Parsing
Arxiv
4+阅读 · 2019年9月12日
Fast AutoAugment
Arxiv
5+阅读 · 2019年5月1日
Conditional BERT Contextual Augmentation
Arxiv
8+阅读 · 2018年12月17日
Arxiv
8+阅读 · 2018年5月15日
VIP会员
相关资讯
Mask-RCNN模型的实现自定义对象(无人机)检测
计算机视觉life
17+阅读 · 2019年8月12日
【GitHub】BERT模型从训练到部署全流程
专知
34+阅读 · 2019年6月28日
Pupy – 全平台远程控制工具
黑白之道
43+阅读 · 2019年4月26日
使用PaddleFluid和TensorFlow训练序列标注模型
PaperWeekly
6+阅读 · 2018年7月11日
资源 | 深度学习图像标注工具汇总
AI100
6+阅读 · 2018年6月12日
机器翻译不可不知的 Seq2Seq 模型
AI研习社
4+阅读 · 2018年5月24日
python pandas 数据处理
Python技术博文
4+阅读 · 2017年8月30日
Top
微信扫码咨询专知VIP会员