README.md

metadata

library_name: transformers
datasets:
  - rasyosef/amharic-named-entity-recognition
language:
  - am
metrics:
  - precision
  - recall
  - f1
pipeline_tag: token-classification
widget:
  - text: >-
      አትሌት ኃይሌ ገ/ሥላሴ ኒውዮርክ ውስጥ በሚደረገው የተባበሩት መንግሥታት ድርጅት ልዩ የሰላም ስብሰባ ላይ እንዲገኝ
      ተጋበዘ።
    example_title: Example 1
  - text: >-
      በአዲስ አበባ ዩኒቨርስቲ በሜካኒካል ምህንድስና ትምህርት ክፍል ውስጥ መምህርት የሆነችው እና ከቡድኑ ጋር ወደ ባህር
      ዳር የተጓዘችው ምህረት ከበደ ፤ተማሪዎቹ ፈጠራውን የሰሩት በአካባቢያቸው ከሚገኙ ቅሳቁሶች ሲሆን፤ መነሻቸውም
      በአካባቢያቸው የተመለከቱት ችግር መሆኑን ታስረዳለች።
    example_title: Example 2

This is a fine-tuned version of the bert-medium-amharic model on the amharic-named-entity-recognition dataset and is ready to use for named entity recognition (NER).

It achieves the following results on the evaluation set:

• Precision: 0.65
• Recall: 0.73
• F1: 0.69

How to use

You can use this model directly with a pipeline for token classification:

from transformers import pipeline
checkpoint = "rasyosef/bert-medium-amharic-finetuned-ner"
token_classifier = pipeline("token-classification", model=checkpoint, aggregation_strategy="simple")
token_classifier("አትሌት ኃይሌ ገ/ሥላሴ ኒውዮርክ ውስጥ በሚደረገው የተባበሩት መንግሥታት ድርጅት ልዩ የሰላም ስብሰባ ላይ እንዲገኝ ተጋበዘ።")

Output:

[{'entity_group': 'TTL',
  'score': 0.9841112,
  'word': 'አትሌት',
  'start': 0,
  'end': 4},
 {'entity_group': 'PER',
  'score': 0.99379075,
  'word': 'ኃይሌ ገ / ሥላሴ',
  'start': 5,
  'end': 14},
 {'entity_group': 'LOC',
  'score': 0.8818362,
  'word': 'ኒውዮርክ',
  'start': 15,
  'end': 20},
 {'entity_group': 'ORG',
  'score': 0.99056435,
  'word': 'የተባበሩት መንግሥታት ድርጅት',
  'start': 32,
  'end': 50}]

Code

https://github.com/rasyosef/amharic-named-entity-recognition