建立、使用及管理自訂文件分類器

使用自訂分類器將文件分類。使用自己的文件和自訂類別從頭開始建構。生成式 AI 方面可進行少樣本訓練和微調。這些功能可減少樣本數，並透過疊代自動標籤功能修正錯誤，進而提高準確度。

自訂分類器模型版本

模型版本 說明 發布版本 在美國/歐盟境內處理機器學習作業 在美國/歐盟微調 發布日期
pretrained-foundation-model-v1.4-2025-06-16 搭載 Gemini 2.0 Flash LLM，可供正式環境使用。也包含進階 OCR 功能，例如核取方塊偵測。 穩定 是 美國、歐盟 (預覽版) 2025 年 6 月 16 日

在 Google Cloud 控制台建立自訂分類器

您可以建立文件專屬的自訂分類器，並使用資料訓練及評估。這個處理器會根據使用者定義的類別集找出文件類別。完成訓練後，您可以使用該處理器分類其他文件。您通常會對不同類型的文件使用自訂分類器，識別完成後，將文件交由擷取處理器擷取實體。

如要瞭解建立及使用處理器的一般程序，請參閱「如何」一節。

您可以根據自己的工作流程自訂設定。

如要直接在 Google Cloud 控制台按照逐步指南操作，請按一下「Guide me」(逐步引導)：

逐步引導

事前準備

  1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  3. Verify that billing is enabled for your Google Cloud project.

  4. Enable the Document AI, Cloud Storage APIs.

    Enable the APIs

  5. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  6. Verify that billing is enabled for your Google Cloud project.

  7. Enable the Document AI, Cloud Storage APIs.

    Enable the APIs

    8.

    建立處理器

    請完成下列步驟。

    1. 前往 Google Cloud 控制台，然後選取： 「Workbench」Workbench

    2. 如要使用自訂文件分類器，請選取「建立處理器」。

      custom-classifier-1

    3. 在「Create processor」(建立處理器) 選單中，輸入處理器名稱，例如 my-custom-document-classifier。

      custom-classifier-2

    4. 請選取最近的區域。

    5. 選取「Create」(建立)。系統會隨即顯示「Processor Details」(處理器詳細資料) 分頁。

    設定資料集

    如要訓練這個新處理器，您必須建立具有訓練和測試資料的資料集，以協助處理器識別您要分割和分類的文件。這個資料集需要新的位置。這可以是空白的 Cloud Storage bucket 或資料夾，也可以是內部代管位置。

    顯示「Processor Details」(處理器詳細資料) 分頁後，您可以執行下列操作：

    1. 如要使用 Cloud Storage，請選取「Google-managed storage」(Google 代管的儲存空間)。
    2. 如要使用自己的儲存空間，以便使用客戶自行管理的加密金鑰 (CMEK)，請選取「I'll specify my own storage location」(自行指定儲存空間位置)，然後按照「建立資料集」一文中的程序操作。

    custom-classifier-3

    將文件匯入資料集

    接下來，請將文件匯入資料集。

    1. 在「Build」(建構) 分頁中，選取「Import documents」(匯入文件)。

      custom-classifier-6

    2. 選擇使用儲存空間值區時，必須輸入值區的「來源路徑」。在本訓練範例中，請在「Source path」(來源路徑) 中輸入這個值區名稱，這樣就會直接連結至某份文件。

      cloud-samples-data/documentai/Custom/Patents/PDF/computer_vision_20.pdf

    3. 在「Data split」(資料分割)部分選取「Unassigned」(未指派) 。這個資料夾中的文件不會指派給測試集或訓練集。取消勾選「Import with auto-labeling」(使用自動加上標籤功能匯入)。

    4. 選取「Import」(匯入)。Document AI 會將值區中的文件讀取到資料集，但不會修改匯入 bucket，也不會在匯入完成後從 bucket 讀取資料。

    5. 選用：如要刪除匯入的文件，請前往「Build」(建立) 分頁，依序點選「Manage dataset」(管理資料集) > 選取文件 > 點選「Delete」(刪除)。

    匯入文件時，可以選擇在匯入時就將文件指派至訓練集或測試集，也可以等到之後再指派。

    如要進一步瞭解如何準備資料以進行匯入，請參閱「資料準備指南」。

    定義處理器結構定義

    您可以在將文件匯入資料集之前或之後建立處理器結構定義。結構定義提供用來為文件加上註解的標籤。

    1. 在「建構」分頁中，依序選取「管理資料集」 >「編輯結構定義」。 「編輯結構定義」頁面隨即開啟。

    2. 點選「Create label」(建立標籤)。

    3. 輸入標籤名稱。

    4. 選取 [Create] (建立)。如需建立與編輯結構定義的詳細操作說明，請參閱「定義處理器結構定義」。

    5. 為處理器結構定義建立下列每個標籤。

      • computer_vision
      • crypto
      • med_tech
      • other

    6. 標籤完成後，請點選「Save」(儲存)。

      custom-classifier-7

    為文件加上標籤

    在文件中選取文字及套用標籤的程序稱為「註解」。

    1. 返回「Build」(建構) 分頁，然後選取某個文件，即可開啟「Manage Dataset」(管理資料集) 控制台。

    2. 在選項中，選取適用的文件標籤。如果您使用的是我們提供的範例文件，請選取「computer_vision」。

      加上標籤後，文件應如下所示：custom-classifier-8

    3. 完成文件註解後，請點選「Mark as Labeled」(標示為已加上標籤)。

      在「Manage Dataset」(管理資料集) 分頁中，「Document」(文件) 面板會顯示有一份文件已加上標籤。

    將加註的文件指派給訓練集

    為這份範例文件加上標籤後，現在已可將其指派給訓練集。

    1. 在「Manage Dataset」(管理資料集) 分頁中，勾選「Select All」(全選) 核取方塊。

    2. 在「Assign to Set」(指派給資料集) 清單中，選取「Training」(訓練)。

    在「文件」面板中，您會發現有一份文件已指派給訓練集。

    將預先加上標籤的資料匯入訓練集和測試集

    在這份指南中，系統會提供預先加上標籤的資料。如果您是處理自有專案，則必須決定如何為資料加上標籤。詳情請參閱「標籤選項」。

    如要標記每個文件類型，Document AI 自訂處理器在訓練集和測試集中至少需要各一份文件。建議您每個標籤至少建立 10 份文件，以獲得最佳成效。如果標籤有 5 個，您需要 50 份文件用於訓練，50 份用於測試。訓練資料越多，準確率通常就會越高。

    1. 點選「Import documents」(匯入文件)。

    2. 在「Source path」(來源路徑) 中輸入下列路徑。這個值區包含以 Document JSON 格式預先加上標籤的文件。

      cloud-samples-data/documentai/Custom/Patents/JSON/Classification-InventionType

    3. 在「Data split」(資料分割) 清單中，選取「Auto-split」(自動分割)。這樣系統就會自動將文件分割為訓練集的 80% 和測試集的 20%。忽略「Apply labels」(套用標籤) 區塊。

    4. 選取「Import」(匯入)。匯入作業可能需要幾分鐘才能完成。

    匯入完成後，您會在「Manage Dataset」(管理資料集) 分頁中找到這些文件。

    匯入時以批次處理的方式為文件加上標籤

    結構定義設定完成後，您可以在匯入時對位於特定目錄的所有文件加上標籤，利用標籤節省時間。

    custom-classifier-9

    1. 點選「Import documents」(匯入文件)。

    2. 在「Source path」(來源路徑) 中輸入下列路徑。這個 bucket 含有未加上標籤的文件 (PDF 格式)。

      cloud-samples-data/documentai/Custom/Patents/PDF-CDC-BatchLabel

    3. 在「Data split」(資料分割) 清單中，選取「Auto-split」(自動分割)。這樣系統就會自動將文件分割為訓練集的 80% 和測試集的 20%。

    4. 在「Apply labels」(套用標籤) 區段中，選取「Choose label」(選擇標籤)。

    5. 針對這些範例文件，請選取「other」。

    6. 選取「Import」(匯入)，然後等待作業完成。您可以先離開這個頁面，稍後再返回查看。 完成後，套用標籤的文件就會顯示在「Manage Dataset」(管理資料集) 分頁。

    訓練處理器

    現在您已經匯入訓練和測試資料，接著可以訓練處理器。由於訓練可能需要數小時，因此在開始訓練前，請務必先確認您已使用適當的資料和標籤完成處理器設定。

    您可以使用加上標籤的資料訓練微調模型和自訂模型。微調模型會使用生成式 AI。自訂模型會使用標記資料訓練專屬的大型語言模型。結構定義中至少需要兩個標籤，建議提供 10 份訓練文件和 10 份測試文件 (最少各 1 份)。

    1. 點選「Train New Version」(訓練新版本)。
    custom-classifier-10

    1. 在「Version name」(版本名稱) 欄位中輸入這個處理器版本的名稱，例如 my-cdc-version-1。

    2. 選用：選取「查看標籤統計資料」，即可查看文件標籤的相關資訊，有助於判斷涵蓋範圍。接著點選「Close」(關閉) ，返回訓練設定頁面。

    3. 選取「開始訓練」。您可以在側邊面板中查看狀態。

    部署處理器版本

    1. 訓練完成後，請前往「Manage Versions」(管理版本) 分頁。您可以查看剛才訓練的版本詳細資料。

    2. 找到要部署的版本，然後選取旁邊的，並選取「Deploy version」(部署版本)。

    3. 在對話方塊視窗中選取「Deploy」(部署)。

      部署需要幾分鐘才會完成。

    評估及測試處理器

    1. 部署作業完成後，請前往「Evaluate & Test」(評估與測試) 分頁。

      在這個頁面中，您可以查看整份文件和個別標籤的評估指標，包括 F1 分數、精確度和召回率。如要進一步瞭解評估和統計資料，請參閱「評估處理器」。

    2. 下載未加入先前訓練或測試的文件，以便用於評估處理器版本。如果您是使用自己的資料，可以針對這個用途保留文件。

      下載 PDF

    3. 點選「Upload Test Document」(上傳測試文件)，然後選取剛才下載的文件。

      系統會開啟「Custom Document Classifier analysis」(自訂文件分類器分析) 頁面。輸出內容會顯示文件分類的精細程度。

      您也可以針對其他測試集或處理器版本重新執行評估作業。

    自動為新匯入的文件加上標籤

    部署經過訓練的處理器版本後，您可以在匯入新文件時使用自動加上標籤功能，節省標籤時間。

    1. 在「管理資料集」頁面上，按一下「匯入文件」。

    2. 複製及貼上下列 Cloud Storage 路徑。這個目錄包含五個未加上標籤的專利 PDF。在「Data split」(資料分割) 下拉式清單中選取「Training」(訓練)。

      cloud-samples-data/documentai/Custom/Patents/PDF-CDC-AutoLabel

    3. 在「Apply labels」(套用標籤) 區段中，選取「Auto-labeling」(自動加上標籤)。

    4. 選取現有的處理器版本來為文件加上標籤。

      • 例如：2af620b2fd4d1fcf

    5. 選取「Import」(匯入)，然後等待作業完成。您可以先離開這個頁面，稍後再返回查看。完成後，文件就會出現在「Manage Dataset」(管理資料集) 頁面的「Auto-labeled」(已自動加上標籤) 部分。

    6. 您不得將自動加上標籤的文件用於訓練或測試，除非您將其標示為已加上標籤。如要查看已自動加上標籤的文件，請前往「Auto-labeled」(已自動加上標籤) 區段。

    7. 選取第一份文件即可進入標籤控制台。

    8. 確認標籤正確無誤。如果不正確，請進行調整。

    9. 完成後，請選取「Mark as Labeled」(標示為已加上標籤)。

    10. 為每個自動加上標籤的文件重複執行標籤驗證，然後再回到「Manage Dataset」(管理資料集) 頁面指派資料進行訓練。

    使用處理器

    您可以管理自訂訓練的處理器版本，就像其他處理器版本一樣。詳情請參閱「管理處理器版本」。

    您也可以傳送處理要求至自訂處理器，然後比照其他分類器處理器以同樣的方式處理回應。

    清除所用資源

    如要避免系統向您的 Google Cloud 帳戶收取本頁所用資源的費用，請按照下列步驟操作。

    1. 在 Google Cloud 控制台導覽選單中，依序選取「Document AI」和「My Processors」(我的處理器)。

    2. 找到要刪除的處理器，然後點選該列中的「More actions」(更多動作)。

    3. 選取「Delete processor」(刪除處理器)，輸入處理器名稱，然後再次選取「Delete」(刪除) 來確認操作。

    後續步驟

下一頁
自訂分割器