---
license: mit
language:
- pt
pipeline_tag: token-classification
base_model: neuralmind/bert-base-portuguese-cased

widget:
- text: "Em termos de períodos geológicos, cada tipo de rocha está associado a diferentes épocas e processos na história da Terra. Por exemplo, as rochas ígneas são frequentemente associadas a períodos de intensa atividade vulcânica, como o período Mesozoico, quando os dinossauros dominavam a Terra. As rochas sedimentares, por sua vez, são encontradas em abundância em depósitos de antigas bacias oceânicas e lagos, como durante o período Cenozoico. Já as rochas metamórficas são frequentemente associadas a períodos de intensa atividade tectônica, como durante o período Proterozoico, quando supercontinentes se formaram e se fragmentaram."
  example_title: "Example 1"
- text: "O petróleo é gerado nas bacias sedimentares a partir de matéria orgânica acumulada, juntamente com sedimentos inorgânicos, em ambientes deficientes em oxigénio. Esta acumulação faz-se, em geral, no fundo de lagos, lagunas ou mares com deficiente movimentação e de correntes junto ao fundo. A matéria orgânica, assim, embora preservada da oxidação, sofre modificações resultantes de reações químicas inorgânicas e pela ação de bactérias, do que resulta a geração de algum gás biogénico e a transformação da restante matéria orgânica em querogénio, um material rico em hidrocarbonetos sólidos muito pesados. As rochas ricas em querogénio, em geral rochas detríticas finas (xistos betuminosos) ou carbonatadas (calcários e margas betuminosas), designam-se por rochas-mãe ou rochas geradoras, porque é nelas que ocorrerá a geração do petróleo."
  example_title: "Example 2"
---

This model is a Brazilian Portuguese Named Entity Recognition (NER), based on neuralmind/bert-base-portuguese-cased base model and specialized in Geological concepts. 
It was trained for 3 epochs using the dataset from this [paper](https://doi.org/10.21814/lm.15.2.412).

You can find the notebook used to train the model [here](https://www.kaggle.com/code/vabatista/ner-for-oil-gas-in-portuguese). Trainer output was:
![image/png](https://cdn-uploads.huggingface.co/production/uploads/61c9994c7d9a271ef3823515/84azScVvRMn0vWHhvB7u7.png)

To use this model, run into a pipeline:

```
## run the prediction
txt = YOUR_TEXT
classifier = pipeline("ner", model=model, tokenizer=tokenizer, aggregation_strategy='simple')
entities = classifier(txt)

## display in a fancy way
dict_ents = {
    'text': txt,
    'ents': [{'start': ent['start'], 'end': ent['end'], 'label': ent['entity_group']} for ent in entities],
    'title': None

}

displacy.render(dict_ents, manual=True, style="ent")    

```