Google Document AI训练测试数据集INVALID_DATASET错误求助

问题现象 #

使用自定义处理器训练发票PDF解析模型时，训练/测试数据集均触发INVALID_DATASET错误，错误信息显示的标注文档数/实体数与处理器页面统计的数量不符，涉及两种典型错误：

1. 特定标签的有效标注文档数未达最低要求（如charges标签要求10个，但报错显示仅8个）
2. 实体类型（如account_number）违反text_anchor约束，有效实体数未达最低要求

排查与解决步骤 #

1. 验证标注的有效性 #

• 强制绑定文本锚点：所有实体标注必须在PDF页面上框选对应文本片段，仅输入实体值但未关联文本的标注会被系统判定无效，不计入统计（对应text_anchor约束错误）。
• 检查标注完整性：逐个排查训练/测试集文档，确认每个启用的标签（如account number、发票号等）都已完成有效标注，漏标或标注不符合schema定义的文档会被排除在有效统计之外。
• 确认禁用标签的影响：如果schema中禁用了部分标签，需确保这些标签的标注已被清理，避免干扰数据集校验逻辑。

2. 修正数据集统计不一致问题 #

• 刷新页面核对统计：处理器页面显示的标注数量可能存在缓存，刷新后查看实际有效标注数是否与报错信息一致。
• 重新上传异常文档：若部分文档的标注无法被系统识别，删除后重新上传并按照规范完成标注，确保每个实体都绑定文本锚点。
• 调整数据集拆分：自动拆分训练/测试集时，可能导致某一子集的标注数量不满足最低要求，可手动调整拆分比例或补充对应标签的标注文档至要求数量（如报错中的10个）。

3. 检查Schema配置 #

• 确认实体约束设置：查看schema中account_number等实体的定义，确认是否强制要求text_anchor（发票解析场景建议保留该约束），若无需此约束可调整schema配置后重新训练。
• 核对标签启用状态：确保训练时需要提取的标签（如计费周期、发票日期）已在schema中启用，禁用标签的标注不会被纳入训练统计。

内容的提问来源于stack exchange，提问作者H.I. McDunnough