Instalace a spuštění kontejnerů

Článek
01/17/2024

Podpora kontejnerů je aktuálně dostupná s verzí 2022-08-31 (GA) Document Intelligence pro všechny modely a 2023-07-31 (GA) pouze pro čtení a rozložení:

✔️ Dokumentaci k podporovaným kontejnerům kontejnerů najdete v tématu Instalace a spouštění kontejnerů Document Intelligence v3.0.

Tento obsah se vztahuje na:v3.0 (GA)v3.1 (GA)

Azure AI Document Intelligence je služba Azure AI, která umožňuje vytvářet automatizovaný software pro zpracování dat pomocí technologie strojového učení. Funkce Document Intelligence umožňuje identifikovat a extrahovat text, páry klíč/hodnota, značky výběru, data tabulky a další informace z dokumentů. Výsledky se doručují jako strukturovaná data, která .. /obsahuje relace v původním souboru.

V tomto článku se dozvíte, jak stahovat, instalovat a spouštět kontejnery Document Intelligence. Kontejnery umožňují spustit službu Document Intelligence ve vlastním prostředí. Kontejnery jsou skvělé pro splnění určitých požadavků na zabezpečení a zásady správného řízení dat.

Modely čtení a rozložení jsou podporovány kontejnery Document Intelligence v3.1.
Kontejnery Document Intelligence v3.0 podporují čtení, rozložení, obecný dokument, dokument ID, potvrzení, fakturu, vizitku a vlastní modely.
Model vizitky se v současné době podporuje pouze v kontejnerech verze 2.1.

Požadavky

Abyste mohli začít, potřebujete aktivní účet Azure. Pokud žádné nemáte, můžete si vytvořit bezplatný účet.

K používání kontejnerů Document Intelligence potřebujete také následující:

Požaduje se	Účel
Znalost Dockeru	Měli byste mít základní znalosti konceptů Dockeru, jako jsou registry, úložiště, kontejnery a image kontejnerů, a také znalosti základní `docker`terminologie a příkazů.
Nainstalovaný modul Dockeru	Potřebujete nainstalovaný Modul Dockeru na hostitelském počítači. Docker poskytuje balíčky, které nakonfigurují prostředí Dockeru v systému macOS, Windows a Linux. Základní informace o Dockeru a kontejnerech najdete v článku Docker Overview (Přehled Dockeru). Docker musí být nakonfigurovaný tak, aby se kontejnery mohly připojit a odesílat fakturační data do Azure. Ve Windows musí být Docker také nakonfigurovaný tak, aby podporoval kontejnery Linuxu .
Prostředek Document Intelligence	Jednoúčelový prostředek Azure AI Document Intelligence nebo více služeb na webu Azure Portal. Pokud chcete kontejnery používat, musíte mít přidružený klíč a identifikátor URI koncového bodu. Obě hodnoty jsou k dispozici na webu Azure Portal na stránce Klíče document Intelligence a koncový bod : {FORM_RECOGNIZER_KEY}: jeden ze dvou dostupných klíčů prostředků. {FORM_RECOGNIZER_ENDPOINT_URI}: koncový bod prostředku použitého ke sledování fakturačních údajů.

Volitelné	Účel
Azure CLI (rozhraní příkazového řádku)	Azure CLI umožňuje používat sadu online příkazů k vytváření a správě prostředků Azure. Je k dispozici pro instalaci v prostředích s Windows, macOS a Linuxem a dá se spouštět v kontejneru Dockeru a v Azure Cloud Shellu.

Požadavky na hostitelský počítač

Hostitel je počítač založený na platformě x64, na kterém běží kontejner Dockeru. Může to být počítač v místním prostředí nebo hostitelská služba Dockeru v Azure, například:

Azure Kubernetes Service.
Azure Container Instances.
Cluster Kubernetes nasazený do služby Azure Stack. Další informace najdete v tématu Nasazení Kubernetes do služby Azure Stack.

Požadavky na kontejnery a doporučení

Požadované podpůrné kontejnery

Následující tabulka uvádí podpůrné kontejnery pro každý kontejner Document Intelligence, který si stáhnete. Další informace najdete v části Fakturace .

Kontejner funkcí	Podpora kontejnerů
Přečíst	Nepovinné
Rozložení	Nepovinné
Vizitka	Přečíst
Obecný dokument	Rozložení
Faktura	Rozložení
Příjmu	Čtení nebo rozložení
Dokument ID	Přečíst
Vlastní šablona	Rozložení

Doporučená jádra procesoru a paměť

Poznámka:

Minimální a doporučené hodnoty jsou založené na limitech Dockeru, nikoli na prostředcích hostitelského počítače.

Kontejnery Document Intelligence

Kontejner	Minimum	Doporučeno
`Read`	`8` jádra, 10 GB paměti	`8` jádra, 24 GB paměti
`Layout`	`8` jádra, 16 GB paměti	`8` jádra, 24 GB paměti
`Business Card`	`8` jádra, 16 GB paměti	`8` jádra, 24 GB paměti
`General Document`	`8` jádra, 12 GB paměti	`8` jádra, 24 GB paměti
`ID Document`	`8` jádra, 8 GB paměti	`8` jádra, 24 GB paměti
`Invoice`	`8` jádra, 16 GB paměti	`8` jádra, 24 GB paměti
`Receipt`	`8` jádra, 11 GB paměti	`8` jádra, 24 GB paměti
`Custom Template`	`8` jádra, 16 GB paměti	`8` jádra, 24 GB paměti

Každé jádro musí mít alespoň 2,6 gigahertz (GHz) nebo rychlejší.
Jádro a paměť odpovídají --cpus nastavením, --memory které se používají jako součást docker compose příkazu nebo docker run příkazu.

Tip

K výpisu stažených imagí kontejnerů můžete použít příkaz docker images . Následující příkaz například vypíše ID, úložiště a značku každé stažené image kontejneru, která je formátovaná jako tabulka:

docker images --format "table {{.ID}}\t{{.Repository}}\t{{.Tag}}"

IMAGE ID         REPOSITORY                TAG
<image-id>       <repository-path/name>    <tag-name>

Spuštění kontejneru pomocí příkazu docker-compose up

Nahraďte hodnoty {ENDPOINT_URI} a {API_KEY} identifikátorem URI koncového bodu prostředku a klíčem ze stránky prostředku Azure.
Ujistěte se, že je hodnota EULA nastavená na přijetí.
Hodnota EULAa BillingApiKey hodnoty musí být zadány. V opačném případě nelze kontejner spustit.

Důležité

Klíče se používají pro přístup k vašemu prostředku Document Intelligence. Své klíče s nikým nesdílejte. Ukládejte je bezpečně, například pomocí služby Azure Key Vault. Doporučujeme je také pravidelně obnovovat. K volání rozhraní API je nutný jenom jeden klíč. Během obnovování prvního klíče můžete pro nepřerušený přístup ke službě použít druhý klíč.

Následující ukázka kódu je samostatný docker compose příklad pro spuštění kontejneru Document Intelligence Layout. Pomocí docker composesouboru YAML nakonfigurujete služby vaší aplikace pomocí souboru YAML. Potom pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace. Zadejte hodnoty {FORM_RECOGNIZER_ENDPOINT_URI} a {FORM_RECOGNIZER_KEY} pro instanci kontejneru layout.

version: "3.9"
services:
  azure-form-recognizer-read:
    container_name: azure-form-recognizer-read
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/read-3.0
    environment:
      - EULA=accept
      - billing={FORM_RECOGNIZER_ENDPOINT_URI}
      - apiKey={FORM_RECOGNIZER_KEY}
    ports:
      - "5000:5000"
    networks:
      - ocrvnet
networks:
  ocrvnet:
    driver: bridge

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

Následující ukázka kódu je samostatný docker compose příklad pro spuštění kontejneru Document Intelligence General Document. Pomocí docker composesouboru YAML nakonfigurujete služby vaší aplikace pomocí souboru YAML. Pak pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace. Zadejte hodnoty {FORM_RECOGNIZER_ENDPOINT_URI} a {FORM_RECOGNIZER_KEY} pro instance kontejneru Obecné dokumenty a rozložení.

version: "3.9"
services:
  azure-cognitive-service-document:
    container_name: azure-cognitive-service-document
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/document-3.0
    environment:
        - EULA=accept
        - billing={FORM_RECOGNIZER_ENDPOINT_URI}
        - apiKey={FORM_RECOGNIZER_KEY}
        - AzureCognitiveServiceLayoutHost=http://azure-cognitive-service-layout:5000
    ports:
      - "5000:5050"
  azure-cognitive-service-layout:
     container_name: azure-cognitive-service-layout
     image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/layout-3.0
     environment:
         - EULA=accept
         - billing={FORM_RECOGNIZER_ENDPOINT_URI}
         - apiKey={FORM_RECOGNIZER_KEY}

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

Vzhledem k prostředkům na počítači může spuštění kontejneru Obecné dokumenty nějakou dobu trvat.

Následující ukázka kódu je samostatný docker compose příklad pro spuštění kontejneru Document Intelligence Layout. Pomocí docker composesouboru YAML nakonfigurujete služby vaší aplikace pomocí souboru YAML. Pak pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace. Zadejte hodnoty {FORM_RECOGNIZER_ENDPOINT_URI} a {FORM_RECOGNIZER_KEY} pro instanci kontejneru layout.

version: "3.9"
services:
  azure-form-recognizer-layout:
    container_name: azure-form-recognizer-layout
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/layout-3.0
    environment:
      - EULA=accept
      - billing={FORM_RECOGNIZER_ENDPOINT_URI}
      - apiKey={FORM_RECOGNIZER_KEY}
    ports:
      - "5000:5000"
    networks:
      - ocrvnet
networks:
  ocrvnet:
    driver: bridge

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

Následující ukázka kódu je samostatný docker compose příklad pro spuštění kontejneru Document Intelligence Invoice. Pomocí docker composesouboru YAML nakonfigurujete služby vaší aplikace pomocí souboru YAML. Pak pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace. Zadejte hodnoty {FORM_RECOGNIZER_ENDPOINT_URI} a {FORM_RECOGNIZER_KEY} pro instance kontejneru Faktura a Rozložení.

version: "3.9"
services:
  azure-cognitive-service-invoice:
    container_name: azure-cognitive-service-invoice
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/invoice-3.0
    environment:
        - EULA=accept
        - billing={FORM_RECOGNIZER_ENDPOINT_URI}
        - apiKey={FORM_RECOGNIZER_KEY}
        - AzureCognitiveServiceLayoutHost=http://azure-cognitive-service-layout:5000
    ports:
      - "5000:5050"
  azure-cognitive-service-layout:
    container_name: azure-cognitive-service-layout
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/layout-3.0
    environment:
        - EULA=accept
        - billing={FORM_RECOGNIZER_ENDPOINT_URI}
        - apiKey={FORM_RECOGNIZER_KEY}

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

version: "3.9"
services:
  azure-cognitive-service-receipt:
    container_name: azure-cognitive-service-receipt
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/receipt-3.0
    environment:
        - EULA=accept
        - billing={FORM_RECOGNIZER_ENDPOINT_URI}
        - apiKey={FORM_RECOGNIZER_KEY}
        - AzureCognitiveServiceReadHost=http://azure-cognitive-service-read:5000
    ports:
          - "5000:5050"
    azure-cognitive-service-read:
      container_name: azure-cognitive-service-read
      image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/read-3.0
      environment:
          - EULA=accept
          - billing={FORM_RECOGNIZER_ENDPOINT_URI}
          - apiKey={FORM_RECOGNIZER_KEY}

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

version: "3.9"
services:
  azure-cognitive-service-id-document:
      container_name: azure-cognitive-service-id-document
      image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/id-document-3.0
      environment:
          - EULA=accept
          - billing={FORM_RECOGNIZER_ENDPOINT_URI}
          - apiKey={FORM_RECOGNIZER_KEY}
          - AzureCognitiveServiceReadHost=http://azure-cognitive-service-read:5000
      ports:
          - "5000:5050"
  azure-cognitive-service-read:
      container_name: azure-cognitive-service-read
      image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/read-3.0
      environment:
          - EULA=accept
          - billing={FORM_RECOGNIZER_ENDPOINT_URI}
          - apiKey={FORM_RECOGNIZER_KEY}

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

version: "3.9"
services:
  azure-cognitive-service-invoice:
    container_name: azure-cognitive-service-businesscard
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/businesscard-3.0
    environment:
        - EULA=accept
        - billing={FORM_RECOGNIZER_ENDPOINT_URI}
        - apiKey={FORM_RECOGNIZER_KEY}
        - AzureCognitiveServiceLayoutHost=http://azure-cognitive-service-layout:5000
    ports:
      - "5000:5050"
  azure-cognitive-service-layout:
    container_name: azure-cognitive-service-layout
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/layout-3.0
    environment:
        - EULA=accept
        - billing={FORM_RECOGNIZER_ENDPOINT_URI}
        - apiKey={FORM_RECOGNIZER_KEY}

Kromě požadavků musíte pro zpracování vlastního dokumentu provést následující kroky:

Vytvořte složku pro uložení následujících souborů.

.Env
nginx.conf
docker-compose.yml

Vytvoření složky pro ukládání vstupních dat

Pojmenujte soubory této složky.
Cestu k souboru pro tuto složku odkazujeme jako {FILE_MOUNT_PATH}.
Zkopírujte cestu k souboru do vhodného umístění, musíte ji přidat do souboru .env . Například pokud se složka nazývá soubory umístěné ve stejné složce jako docker-compose soubor, položka souboru .env je FILE_MOUNT_PATH="./files"

Vytvoření složky pro ukládání protokolů zapsaných službou Document Intelligence na místním počítači

Pojmenujte tento výstup složky.
Cestu k souboru pro tuto složku odkazujeme jako {OUTPUT_MOUNT_PATH}.
Zkopírujte cestu k souboru do vhodného umístění, musíte ji přidat do souboru .env . Například pokud se složka nazývá výstup, který se nachází ve stejné složce jako docker-compose soubor, položka souboru .env je OUTPUT_MOUNT_PATH="./output"

Vytvoření složky pro ukládání interního zpracování sdíleného mezi kontejnery

Pojmenujte tuto složku sdílenou.
Cestu k souboru pro tuto složku odkazujeme jako {SHARED_MOUNT_PATH}.
Zkopírujte cestu k souboru do vhodného umístění, musíte ji přidat do souboru .env . Například pokud se složka nazývá sdílená, umístěná ve stejné složce jako docker-compose soubor, položka souboru .env je SHARED_MOUNT_PATH="./shared"

Pojmenujte tuto databázi složek.
Cestu k souboru pro tuto složku odkazujeme jako {DB_MOUNT_PATH}.
Zkopírujte cestu k souboru do vhodného umístění, musíte ji přidat do souboru .env . Například pokud se složka nazývá db, která se nachází ve stejné složce jako docker-compose soubor, položka souboru .env je DB_MOUNT_PATH="./db"

Vytvoření souboru prostředí

Pojmenujte tento soubor .env.
Deklarujte následující proměnné prostředí:

SHARED_MOUNT_PATH="./shared"
OUTPUT_MOUNT_PATH="./output"
FILE_MOUNT_PATH="./files"
DB_MOUNT_PATH="./db"
FORM_RECOGNIZER_ENDPOINT_URI="YourFormRecognizerEndpoint"
FORM_RECOGNIZER_KEY="YourFormRecognizerKey"
NGINX_CONF_FILE="./nginx.conf"

Vytvoření souboru nginx

Pojmenujte tento soubor nginx.conf.
Zadejte následující konfiguraci:

worker_processes 1;

events { worker_connections 1024; }

http {

    sendfile on;
    client_max_body_size 90M;
    upstream docker-custom {
        server azure-cognitive-service-custom-template:5000;
    }

    upstream docker-layout {
        server  azure-cognitive-service-layout:5000;
    }

    server {
        listen 5000;

        location = / {
            proxy_set_header Host $host:$server_port;
            proxy_set_header Referer $scheme://$host:$server_port;
            proxy_pass http://docker-custom/;
        }

        location /status {
            proxy_pass http://docker-custom/status;
        }

        location /test {
            return 200 $scheme://$host:$server_port;
        }

        location /ready {
            proxy_pass http://docker-custom/ready;
        }

        location /swagger {
            proxy_pass http://docker-custom/swagger;
        }

        location /formrecognizer/documentModels/prebuilt-layout {
            proxy_set_header Host $host:$server_port;
            proxy_set_header Referer $scheme://$host:$server_port;

            add_header 'Access-Control-Allow-Origin' '*' always;
            add_header 'Access-Control-Allow-Headers' 'cache-control,content-type,ocp-apim-subscription-key,x-ms-useragent' always;
            add_header 'Access-Control-Allow-Methods' 'GET, POST, OPTIONS' always;
            add_header 'Access-Control-Expose-Headers' '*' always;

            if ($request_method = 'OPTIONS') {
                return 200;
            }

            proxy_pass http://docker-layout/formrecognizer/documentModels/prebuilt-layout;
        }

        location /formrecognizer/documentModels {
            proxy_set_header Host $host:$server_port;
            proxy_set_header Referer $scheme://$host:$server_port;

            add_header 'Access-Control-Allow-Origin' '*' always;
            add_header 'Access-Control-Allow-Headers' 'cache-control,content-type,ocp-apim-subscription-key,x-ms-useragent' always;
            add_header 'Access-Control-Allow-Methods' 'GET, POST, OPTIONS, DELETE' always;
            add_header 'Access-Control-Expose-Headers' '*' always;

            if ($request_method = 'OPTIONS') {
                return 200;
            }

            proxy_pass http://docker-custom/formrecognizer/documentModels;
        }

        location /formrecognizer/operations {
            add_header 'Access-Control-Allow-Origin' '*' always;
            add_header 'Access-Control-Allow-Headers' 'cache-control,content-type,ocp-apim-subscription-key,x-ms-useragent' always;
            add_header 'Access-Control-Allow-Methods' 'GET, POST, OPTIONS, PUT, DELETE, PATCH' always;
            add_header 'Access-Control-Expose-Headers' '*' always;

            if ($request_method = OPTIONS ) {
                return 200;
            }

            proxy_pass http://docker-custom/formrecognizer/operations;
        }
    }
}

Vytvoření souboru docker compose

Pojmenujte tento soubor docker-compose.yml
Následující ukázka kódu je samostatný docker compose příklad pro společné spouštění kontejnerů šablon Document Intelligence Layout, Studio a Custom Template. Pomocí docker composesouboru YAML nakonfigurujete služby vaší aplikace pomocí souboru YAML. Pak pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace.

version: '3.3'
services:
  nginx:
    image: nginx:alpine
    container_name: reverseproxy
    volumes:
      - ${NGINX_CONF_FILE}:/etc/nginx/nginx.conf
    ports:
      - "5000:5000"
  layout:
    container_name: azure-cognitive-service-layout
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/layout-3.0:latest
    environment:
      eula: accept
      apikey: ${FORM_RECOGNIZER_KEY}
      billing: ${FORM_RECOGNIZER_ENDPOINT_URI}
      Logging:Console:LogLevel:Default: Information
      SharedRootFolder: /shared
      Mounts:Shared: /shared
      Mounts:Output: /logs
    volumes:
      - type: bind
        source: ${SHARED_MOUNT_PATH}
        target: /shared
      - type: bind
        source: ${OUTPUT_MOUNT_PATH}
        target: /logs
    expose:
      - "5000"

  custom-template:
    container_name: azure-cognitive-service-custom-template
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/custom-template-3.0:latest
    restart: always
    depends_on:
      - layout
    environment:
      AzureCognitiveServiceLayoutHost: http://azure-cognitive-service-layout:5000
      eula: accept
      apikey: ${FORM_RECOGNIZER_KEY}
      billing: ${FORM_RECOGNIZER_ENDPOINT_URI}
      Logging:Console:LogLevel:Default: Information
      SharedRootFolder: /shared
      Mounts:Shared: /shared
      Mounts:Output: /logs
    volumes:
      - type: bind
        source: ${SHARED_MOUNT_PATH}
        target: /shared
      - type: bind
        source: ${OUTPUT_MOUNT_PATH}
        target: /logs
    expose:
      - "5000"

  studio:
    container_name: form-recognizer-studio
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/studio:3.0
    environment:
      ONPREM_LOCALFILE_BASEPATH: /onprem_folder
      STORAGE_DATABASE_CONNECTION_STRING: /onprem_db/Application.db
    volumes:
      - type: bind
        source: ${FILE_MOUNT_PATH} # path to your local folder
        target: /onprem_folder
      - type: bind
        source: ${DB_MOUNT_PATH} # path to your local folder
        target: /onprem_db
    ports:
      - "5001:5001"
    user: "1000:1000" # echo $(id -u):$(id -g)

Kontejner vlastních šablon může používat fronty Azure Storage nebo ve frontách paměti. Proměnné Storage:ObjectStore:AzureBlob:ConnectionString prostředí a queue:azure:connectionstring proměnné prostředí je potřeba nastavit jenom v případě, že používáte fronty Azure Storage. Při místním spuštění odstraňte tyto proměnné.

Ujistěte se, že je služba spuštěná.

Abyste zajistili, že je služba spuštěná a spuštěná. Tyto příkazy spusťte v prostředí Ubuntu.

$cd <folder containing the docker-compose file>

$source .env

$docker-compose up

Kontejnery vlastních šablon vyžadují několik různých konfigurací a podporují další volitelné konfigurace.

Nastavení	Požadováno	Popis
EULA	Ano	Příklad přijetí licence: Eula=accept
Fakturace	Ano	Identifikátor URI koncového bodu fakturace prostředku FR
ApiKey	Ano	Klíč koncového bodu prostředku FR
Queue:Azure:Připojení ionString	No	Azure Queue připojovací řetězec
Storage:ObjectStore:AzureBlob:Připojení ionString	No	Azure Blob připojovací řetězec
HealthCheck:MemoryUpperboundInMB	No	Prahová hodnota paměti pro hlášení, že stav života není v pořádku. Výchozí: Stejná jako doporučená paměť
StorageTimeToLiveInMinutes	No	Doba trvání hodnoty TTL pro odebrání všech dočasných a konečných souborů Výchozí hodnota: Dva dny, hodnota TTL může být nastavená mezi pěti minut a sedmi dny.
Úkol:MaxRunningTimeSpanInMinutes	No	Maximální doba běhu pro zpracování požadavku jako časového limitu Výchozí hodnota: 60 minut
HTTP_PROXY_BYPASS_URLS	No	Zadejte adresy URL pro obejití příkladu proxy serveru: HTTP_PROXY_BYPASS_URLS = abc.com, xyz.com
AzureCognitiveServiceReadHost (účtenka, pouze kontejnery IdDocument)	Ano	Zadání identifikátoru URI kontejneru pro čtení: AzureCognitiveServiceReadHost=http://onprem-frread:5000
AzureCognitiveServiceLayoutHost (pouze dokument, kontejnery faktur)	Ano	Určení kontejneru rozložení uri Example:AzureCognitiveServiceLayoutHost=http://onprem-frlayout:5000

Trénování modelu pomocí nástroje Document Intelligence Studio

Shromážděte sadu alespoň pěti forem stejného typu. Tato data použijete k trénování modelu a otestování formuláře. Můžete použít ukázkovou datovou sadu (stažení a extrakce sample_data.zip).
Jakmile můžete ověřit, že kontejnery běží, otevřete prohlížeč a přejděte do koncového bodu, ve kterém máte nasazené kontejnery. Pokud je toto nasazení vaším místním počítačem, koncový bod je [http://localhost:5000](http://localhost:5000).
Vyberte dlaždici vlastního modelu extrakce.
Create project Vyberte možnost.
Zadejte název projektu a volitelně i popis.
V kroku Konfigurace prostředku zadejte koncový bod vašemu vlastnímu modelu šablony. Pokud jste kontejnery nasadili na místní počítač, použijte tuto adresu URL [http://localhost:5000](http://localhost:5000).
Zadejte podsložku pro umístění trénovacích dat ve složce souborů.
Nakonec vytvořte projekt.

Teď byste měli mít vytvořený projekt připravený k označování. Nahrajte trénovací data a začněte popisovat. Pokud s popisováním začínáte, podívejte se na sestavení a trénování vlastního modelu.

Trénovat pomocí rozhraní API

Pokud plánujete volat rozhraní API přímo pro trénování modelu, rozhraní API pro trénování vlastního modelu šablony vyžaduje soubor ZIP s kódováním Base64, který je obsahem projektu označování. Soubory PDF nebo obrázku můžete vynechat a odeslat pouze soubory JSON.

Jakmile máte datovou sadu označenou a *.ocr.json, *.labels.json a fields.json soubory přidané do souboru ZIP, vygenerujte řetězec kódovaný pomocí příkazů PowerShellu.

$bytes = [System.IO.File]::ReadAllBytes("<your_zip_file>.zip")
$b64String = [System.Convert]::ToBase64String($bytes, [System.Base64FormattingOptions]::None)

K odeslání požadavku použijte rozhraní API modelu sestavení.

POST http://localhost:5000/formrecognizer/documentModels:build?api-version=2023-07-31

{
    "modelId": "mymodel",
    "description": "test model",
    "buildMode": "template",

    "base64Source": "<Your base64 encoded string>",
    "tags": {
       "additionalProp1": "string",
       "additionalProp2": "string",
       "additionalProp3": "string"
     }
}

Ověřte, že je služba spuštěná.

Existuje několik způsobů, jak ověřit, že je kontejner spuštěný:

Kontejner poskytuje domovskou stránku \ jako vizuální ověření, že kontejner běží.

Můžete otevřít oblíbený webový prohlížeč a přejít na externí IP adresu a vystavený port kontejneru. Pomocí uvedených adres URL požadavků ověřte, že kontejner běží. Uvedené ukázkové adresy URL požadavků jsou http://localhost:5000, ale váš konkrétní kontejner se může lišit. Mějte na paměti, že přejdete na externí IP adresu kontejneru a vystavený port.

Adresa URL požadavku	Účel
http:// localhost:5000/	Kontejner poskytuje domovskou stránku.
http:// localhost:5000/ready	Požadavek get, tento požadavek poskytuje ověření, že kontejner je připraven přijmout dotaz na model. Tento požadavek je možné použít pro sondy připravenosti a aktivity Kubernetes.
http:// localhost:5000/status	Požadavek pomocí příkazu GET tento požadavek ověří, jestli je klíč api-key použitý ke spuštění kontejneru platný, aniž by způsoboval dotaz koncového bodu. Tento požadavek je možné použít pro sondy připravenosti a aktivity Kubernetes.
http:// localhost:5000/swagger	V kontejneru je ke koncovým bodům a k funkci Vyzkoušet kompletní dokumentace. Pomocí této funkce můžete zadat nastavení do webového formuláře HTML a vytvořit dotaz, aniž byste museli psát žádný kód. Po vrácení dotazu se zobrazí ukázkový příkaz CURL, který předvede požadované hlavičky HTTP a základní formát.

Screenshot of Azure containers welcome page.

Zastavení kontejnerů

Pokud chcete kontejnery zastavit, použijte následující příkaz:

docker-compose down

Fakturace

Kontejnery Document Intelligence odesílají fakturační údaje do Azure pomocí prostředku Document Intelligence na vašem účtu Azure.

Dotazy na kontejner se účtují na cenové úrovni prostředku Azure používaného pro rozhraní API Key. Fakturujete se za každou instanci kontejneru, která se používá ke zpracování dokumentů a obrázků.

Připojení k Azure

Kontejner potřebuje ke spuštění hodnoty fakturačních argumentů. Tyto hodnoty umožňují kontejneru připojit se ke koncovému bodu fakturace. Kontejner hlásí využití přibližně každých 10 až 15 minut. Pokud se kontejner v povoleném časovém intervalu nepřipojí k Azure, kontejner se bude dál spouštět, ale nebude obsluhovat dotazy, dokud se neobnoví koncový bod fakturace. Připojení se pokouší 10krát ve stejném časovém intervalu 10 až 15 minut. Pokud se během 10 pokusů nemůže připojit ke koncovému bodu fakturace, kontejner přestane obsluhovat požadavky. Příklad informací odeslaných Microsoftu pro fakturaci najdete v nejčastějších dotazech ke kontejneru Azure AI.

Argumenty fakturace

Příkaz docker-compose up spustí kontejner, když jsou k dispozici všechny tři z následujících možností s platnými hodnotami:

Možnost	Popis
`ApiKey`	Klíč prostředku služeb Azure AI, který se používá ke sledování fakturačních údajů. Hodnota této možnosti musí být nastavena na klíč pro zřízený prostředek zadaný v `Billing`.
`Billing`	Koncový bod prostředku služeb Azure AI, který se používá ke sledování fakturačních údajů. Hodnota této možnosti musí být nastavená na identifikátor URI koncového bodu zřízeného prostředku Azure.
`Eula`	Označuje, že jste přijali licenci pro kontejner. Hodnota této možnosti musí být nastavena tak, aby přijímala.

Další informace o těchto možnostech najdete v tématu Konfigurace kontejnerů.

Shrnutí

A je to! V tomto článku jste se seznámili s koncepty a pracovními postupy pro stahování, instalaci a spouštění kontejnerů Document Intelligence. Souhrnně:

Document Intelligence poskytuje sedm linuxových kontejnerů pro Docker.
Image kontejnerů se stáhnou z mcr.
Image kontejnerů se spouštějí v Dockeru.
Při vytváření instance kontejneru je nutné zadat fakturační údaje.

Důležité

Kontejnery Azure AI nemají licenci ke spuštění bez připojení k Azure pro měření. Zákazníci musí kontejnerům umožnit, aby vždy komunikují s fakturačními údaji se službou měření. Kontejnery Azure AI neodesílají zákaznická data (například obrázek nebo text analyzovaný) do Microsoftu.

Instalace a spuštění kontejnerů

Požadavky

Požadavky na hostitelský počítač

Požadavky na kontejnery a doporučení

Požadované podpůrné kontejnery

Doporučená jádra procesoru a paměť

Kontejnery Document Intelligence

Spuštění kontejneru pomocí příkazu docker-compose up

Vytvořte složku pro uložení následujících souborů.

Vytvoření složky pro ukládání vstupních dat

Vytvoření složky pro ukládání protokolů zapsaných službou Document Intelligence na místním počítači

Vytvoření složky pro ukládání interního zpracování sdíleného mezi kontejnery

Vytvoření souboru prostředí

Vytvoření souboru nginx

Vytvoření souboru docker compose

Ujistěte se, že je služba spuštěná.

Trénování modelu pomocí nástroje Document Intelligence Studio

Trénovat pomocí rozhraní API

Ověřte, že je služba spuštěná.

Zastavení kontejnerů

Fakturace

Připojení k Azure

Argumenty fakturace

Shrnutí

Další kroky

Další materiály