训练Document AI表单OCR处理器遇无效数据集错误求助

错误原因 #

• 核心问题：文档5c7a8b0949921910.json里的telefone-contato-prestador标注实体中，text_anchor.text_segments字段长度为0，违反了训练要求的「至少包含1个文本片段」规则，这是触发Invalid dataset错误的直接原因。
• 排除文档数量问题：你已使用10份训练文档，满足Document AI自定义模型训练的最低数据量要求（通常为10份），所以数量不足不是报错原因。

修正步骤 #

• 定位问题源：找到5c7a8b0949921910.json对应的原始表单，确认telefone-contato-prestador（服务商联系电话）字段是否有有效文本。
• 修复标注JSON：
  1. 若原始表单该字段有内容：补充text_segments的正确索引信息，示例格式如下：

     "entities": [
       {
         "type": "telefone-contato-prestador",
         "text_anchor": {
           "text_segments": [
             {
               "start_index": "xxx",
               "end_index": "yyy"
             }
           ]
         }
       }
     ]
     

  2. 若原始表单该字段确实为空：要么删除该字段对应的实体标注，要么通过标注工具标记为「无内容」（部分工具会生成符合规则的空值标注结构）。
• 批量排查：因为字段数量多，建议批量检查所有训练/测试文档的标注JSON，确保所有实体的text_segments都满足至少1个的要求，避免其他文档存在同类问题。

内容的提问来源于stack exchange，提问作者Rodrigo Martins