Instalación de contenedores de Docker de OCR de Read

Los contenedores le permiten ejecutar las API de Computer Vision en su propio entorno. Los contenedores son excelentes para requisitos específicos de control de datos y seguridad. En este artículo, aprenderá a descargar, instalar y ejecutar contenedores de Computer Vision.

El contenedor OCR de Read permite extraer texto impreso y manuscrito de imágenes y documentos con compatibilidad con los formatos de archivo JPEG, PNG, BMP, PDF y TIFF. Para más información, consulte la guía de procedimientos de Read API.

Novedades

Para los usuarios existentes de los contenedores de Read, hay disponible una nueva versión, 3.2-model-2021-09-30-preview, del contenedor de Read con compatibilidad con 122 idiomas y mejoras generales del rendimiento y de la inteligencia artificial. Para comenzar, siga las instrucciones de descarga.

Contenedor de Read 3.2

El contenedor OCR de Read 3.2proporciona:

• Nuevos modelos para una mejor precisión.
• Compatibilidad con varios idiomas en el mismo documento.
• Compatibilidad con un total de 73 idiomas. Consulte la lista completa de idiomas admitidos por OCR.
• Una única operación para documentos e imágenes.
• Compatibilidad con imágenes y documentos de mayor tamaño.
• Puntuaciones de confianza.
• Compatibilidad con documentos con texto impreso y manuscrito.
• Capacidad de extraer texto solo de páginas seleccionadas en un documento.
• Elija el orden de salida de la línea de texto, desde un orden predeterminado a un orden de lectura más natural para los idiomas procedentes del latín.
• Clasificación de línea de texto como estilo manuscrito o no solo para idiomas latinos.

Si actualmente usa contenedores de Read 2.0, consulte la guía de migración para obtener información sobre los cambios en las nuevas versiones.

Prerrequisitos

Debe cumplir los siguientes requisitos previos para poder usar los contenedores:

Si no tiene ninguna suscripción a Azure, cree una cuenta gratuita antes de empezar.

Solicitud de aprobación para ejecutar el contenedor

Rellene y envíe el formulario de solicitud para solicitar aprobación para ejecutar el contenedor.

El formulario solicita información acerca del usuario y de su empresa, así como del escenario de usuario para el que se va a usar el contenedor. Después de enviar el formulario, el equipo de Azure Cognitive Services lo revisará y le informará la decisión por correo electrónico.

Una vez aprobado, podrá ejecutar el contenedor después de descargarlo de Microsoft Container Registry (MCR) que se describe más adelante en el artículo.

No podrá ejecutar el contenedor si su suscripción de Azure no se ha aprobado.

Recopilación de los parámetros obligatorios

Hay tres parámetros principales para todos los contenedores de Cognitive Services que son necesarios. El contrato de licencia para el usuario final (CLUF) debe estar presente con un valor de accept. Además, se necesitan una dirección URL de punto de conexión y una clave de API.

URI de punto de conexión {ENDPOINT_URI}

El valor del URI del punto de conexión está disponible en la página Información general de Azure Portal del recurso de Cognitive Services correspondiente. Vaya a la página Información general, mantenga el cursor sobre el punto de conexión y aparecerá un icono Copy to clipboard . Cópielo y utilícelo cuando sea necesario.

Claves {API_KEY}

Esta clave se usa para iniciar el contenedor y está disponible en la página de claves de Azure Portal del recurso de Cognitive Services correspondiente. Vaya a la página Claves y haga clic en el icono Copy to clipboard .

El equipo host

El host es un equipo basado en x64 que ejecuta el contenedor de Docker. Puede ser un equipo del entorno local o un servicio de hospedaje de Docker incluido en Azure, como:

• Azure Kubernetes Service.
• Azure Container Instances.
• Un clúster de Kubernetes implementado en Azure Stack. Para obtener más información, consulte Implementación de Kubernetes en Azure Stack.

Compatibilidad con la extensión avanzada de vector

El equipo host es el equipo que ejecuta el contenedor de Docker. El host debe ser compatible con las extensiones avanzadas de vector (AVX2). Puede comprobar la compatibilidad con AVX2 en los hosts de Linux con el comando siguiente:

grep -q avx2 /proc/cpuinfo && echo AVX2 supported || echo No AVX2 support detected

Recomendaciones y requisitos del contenedor

En la tabla siguiente se describe la asignación mínima y recomendada de recursos para cada contenedor OCR de Read.

• Cada núcleo debe ser de 2,6 gigahercios (GHz) como mínimo.

El núcleo y la memoria se corresponden con los valores de --cpus y --memory que se usan como parte del comando docker run.

Obtención de la imagen del contenedor con docker pull

Hay imágenes de contenedor para Leer disponibles.

Use el comando docker pull para descargar una imagen de contenedor.

Docker pull para el contenedor OCR de lectura

Para conocer la versión preliminar más reciente:

docker pull mcr.microsoft.com/azure-cognitive-services/vision/read:3.2-model-2021-09-30-preview

docker pull mcr.microsoft.com/azure-cognitive-services/vision/read:3.2

docker pull mcr.microsoft.com/azure-cognitive-services/vision/read:2.0-preview

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

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

Uso del contenedor

Una vez que el contenedor esté en el equipo host, utilice el siguiente proceso para trabajar con el contenedor.

1. Ejecute el contenedor con la configuración de facturación requerida. Hay más ejemplos del comando docker run disponibles.
2. Consulta del punto de conexión de predicción del contenedor.

Ejecute el contenedor con docker run.

Utilice el comando docker run para ejecutar el contenedor. Consulte Recopilación de los parámetros obligatorios para más información sobre cómo obtener los valores de {ENDPOINT_URI} y {API_KEY}.

Hay disponibles ejemplos del comando docker run.

Para obtener la versión preliminar más reciente, reemplace la ruta de acceso de la versión 3.2 por:

mcr.microsoft.com/azure-cognitive-services/vision/read:3.2-model-2021-09-30-preview

docker run --rm -it -p 5000:5000 --memory 18g --cpus 8 \
mcr.microsoft.com/azure-cognitive-services/vision/read:3.2 \
Eula=accept \
Billing={ENDPOINT_URI} \
ApiKey={API_KEY}

docker run --rm -it -p 5000:5000 --memory 18g --cpus 8 \
--env Eula=accept \
--env Billing={ENDPOINT_URI} \
--env ApiKey={API_KEY} \
mcr.microsoft.com/azure-cognitive-services/vision/read:3.2

docker run --rm -it -p 5000:5000 --memory 16g --cpus 8 \
mcr.microsoft.com/azure-cognitive-services/vision/read:2.0-preview \
Eula=accept \
Billing={ENDPOINT_URI} \
ApiKey={API_KEY}

docker run --rm -it -p 5000:5000 --memory 16g --cpus 8 \
--env Eula=accept \
--env Billing={ENDPOINT_URI} \
--env ApiKey={API_KEY} \
mcr.microsoft.com/azure-cognitive-services/vision/read:2.0-preview

Hay más ejemplos del comando docker run disponibles.

Si necesita un mayor rendimiento (por ejemplo, al procesar archivos de varias páginas), considere la posibilidad de implementar varios contenedores en un clúster de Kubernetes, con Azure Storage y Azure Queue Storage.

Si usa Azure Storage para almacenar imágenes del procesamiento, puede crear una cadena de conexión que se use al llamar al contenedor.

Para buscar la cadena de conexión:

1. Navegue a Cuentas de almacenamiento en Azure Portal y busque su cuenta.
2. Haga clic en Claves de acceso en la lista de navegación izquierda.
3. La cadena de conexión se encontrará debajo de Cadena de conexión

Ejecución de varios contenedores en el mismo host

Si tiene pensado ejecutar varios contenedores con puertos expuestos, asegúrese de que ejecuta cada contenedor con un puerto expuesto diferente. Por ejemplo, ejecute el primer contenedor en el puerto 5000 y el segundo en el puerto 5001.

Puede tener este contenedor y un contenedor de Azure Cognitive Services diferente en ejecución simultáneamente en el HOST. También puede tener varios contenedores del mismo contenedor de Cognitive Services en ejecución.

Comprobación de que un contenedor está en ejecución

Hay varias maneras de comprobar que el contenedor está en ejecución. Busque la dirección IP externa y el puerto expuesto del contenedor en cuestión y abra el explorador web que prefiera. Use las distintas direcciones URL de solicitud para validar que el contenedor se está ejecutando. Las direcciones URL de solicitud de ejemplo que se enumeran a continuación son http://localhost:5000, pero el contenedor específico puede variar. Tenga en cuenta que va a confiar en la dirección IP externa y el puerto expuesto del contenedor.

Consulta del punto de conexión de predicción del contenedor

El contenedor proporciona varias API de puntos de conexión de predicción de consultas basadas en REST.

Para conocer la versión preliminar más reciente:

Use la misma ruta de acceso de Swagger que la 3.2, pero otro puerto, si ya ha implementado la versión 3.2 en el puerto 5000.

Lectura asincrónica

Para obtener la versión preliminar más reciente, todo es igual que en la versión 3.2, excepto el "modelVersion": "2021-09-30-preview" adicional.

 content-length: 0
 date: Fri, 04 Sep 2020 16:23:01 GMT
 operation-location: http://localhost:5000/vision/v3.2/read/operations/a527d445-8a74-4482-8cb3-c98a65ec7ef9
 server: Kestrel

{
  "status": "succeeded",
  "createdDateTime": "2021-02-04T06:32:08.2752706+00:00",
  "lastUpdatedDateTime": "2021-02-04T06:32:08.7706172+00:00",
  "analyzeResult": {
    "version": "3.2.0",
    "readResults": [
      {
        "page": 1,
        "angle": 2.1243,
        "width": 502,
        "height": 252,
        "unit": "pixel",
        "lines": [
          {
            "boundingBox": [
              58,
              42,
              314,
              59,
              311,
              123,
              56,
              121
            ],
            "text": "Tabs vs",
            "appearance": {
              "style": {
                "name": "handwriting",
                "confidence": 0.96
              }
            },
            "words": [
              {
                "boundingBox": [
                  68,
                  44,
                  225,
                  59,
                  224,
                  122,
                  66,
                  123
                ],
                "text": "Tabs",
                "confidence": 0.933
              },
              {
                "boundingBox": [
                  241,
                  61,
                  314,
                  72,
                  314,
                  123,
                  239,
                  122
                ],
                "text": "vs",
                "confidence": 0.977
              }
            ]
          },
          {
            "boundingBox": [
              286,
              171,
              415,
              165,
              417,
              197,
              287,
              201
            ],
            "text": "paces",
            "appearance": {
              "style": {
                "name": "handwriting",
                "confidence": 0.746
              }
            },
            "words": [
              {
                "boundingBox": [
                  286,
                  179,
                  404,
                  166,
                  405,
                  198,
                  290,
                  201
                ],
                "text": "paces",
                "confidence": 0.938
              }
            ]
          }
        ]
      }
    ]
  }
}

 content-length: 0
 date: Fri, 13 Sep 2019 16:23:01 GMT
 operation-location: http://localhost:5000/vision/v2.0/read/operations/a527d445-8a74-4482-8cb3-c98a65ec7ef9
 server: Kestrel

{
  "status": "Succeeded",
  "recognitionResults": [
    {
      "page": 1,
      "clockwiseOrientation": 2.42,
      "width": 502,
      "height": 252,
      "unit": "pixel",
      "lines": [
        {
          "boundingBox": [ 56, 39, 317, 50, 313, 134, 53, 123 ],
          "text": "Tabs VS",
          "words": [
            {
              "boundingBox": [ 90, 43, 243, 53, 243, 123, 94, 125 ],
              "text": "Tabs",
              "confidence": "Low"
            },
            {
              "boundingBox": [ 259, 55, 313, 62, 313, 122, 259, 123 ],
              "text": "VS"
            }
          ]
        },
        {
          "boundingBox": [ 221, 148, 417, 146, 417, 206, 227, 218 ],
          "text": "Spaces",
          "words": [
            {
              "boundingBox": [ 230, 148, 416, 141, 419, 211, 232, 218 ],
              "text": "Spaces"
            }
          ]
        }
      ]
    }
  ]
}

Lectura sincrónica

Puede usar la siguiente operación para leer sincrónicamente una imagen.

Una vez leída la imagen en su totalidad, entonces, y solo entonces, devuelve la API una respuesta JSON. La única excepción a esto es un escenario de error. Cuando se produce un error, se devuelve el siguiente código JSON:

{
    "status": "Failed"
}

El objeto de respuesta JSON tiene el mismo gráfico de objetos que la versión asincrónica. Si es usuario de JavaScript y quiere seguridad de tipos, considere la posibilidad de usar TypeScript para convertir la respuesta JSON.

Para ver un caso de uso de ejemplo, consulte el espacio aislado de TypeScript aquí y seleccione Ejecutar para visualizar su facilidad de uso.

Detención del contenedor

Para apagar el contenedor, en el entorno de la línea de comandos donde se ejecuta el contenedor, seleccione Ctrl + C.

Solución de problemas

Si ejecuta el contenedor con un montaje de salida y el registro habilitados, el contenedor genera archivos de registro que resultan útiles para solucionar problemas que se producen al iniciar o ejecutar el contenedor.

Si tiene problemas al ejecutar un contenedor de Cognitive Services, puede intentar usar el contenedor de diagnósticos de Microsoft. Use este contenedor para diagnosticar errores comunes en el entorno de implementación que podrían impedir que los contenedores de Cognitive Services funcionen según lo previsto.

Para obtener el contenedor, use el comando de Docker pull siguiente:

docker pull mcr.microsoft.com/azure-cognitive-services/diagnostic

Luego ejecute el contenedor, reemplace {ENDPOINT_URI} por el punto de conexión y {API_KEY} por la clave del recurso:

docker run --rm mcr.microsoft.com/azure-cognitive-services/diagnostic \
Eula=accept \
Billing={ENDPOINT_URI} \
ApiKey={API_KEY}

El contenedor prueba la conectividad de red con el punto de conexión de facturación.

Facturación

Los contenedores de Cognitive Services envían información de facturación a Azure mediante el recurso correspondiente de la cuenta de Azure.

Las consultas en el contenedor se facturan con el plan de tarifa del recurso de Azure que se usa para el parámetro ApiKey.

Los contenedores de Azure Cognitive Services no tienen licencia para ejecutarse si no están conectados al punto de conexión de facturación o a las mediciones. Debe habilitar los contenedores para que comuniquen la información de facturación al punto de conexión de facturación en todo momento. Los contenedores de Cognitive Services no envían datos de los clientes (por ejemplo, la imagen o el texto que se está analizando) a Microsoft.

Conexión con Azure

El contenedor necesita que se ejecuten los valores del argumento de facturación. Estos valores permiten al contenedor conectarse al punto de conexión de facturación. El contenedor informa sobre el uso cada 10 a 15 minutos. Si el contenedor no se conecta a Azure en la ventana de tiempo permitida, continuará ejecutándose pero no atenderá las consultas hasta que se restaure el punto de conexión de facturación. Se intenta 10 veces la conexión en el mismo intervalo de tiempo de 10 a 15 minutos. Si no se puede conectar con el punto de conexión de facturación en esos 10 intentos, el contenedor deja de atender solicitudes. Consulte Preguntas más frecuentes acerca de los contenedores de Cognitive Services para obtener un ejemplo de la información que se envía a Microsoft para la facturación.

Argumentos de facturación

El comando docker run iniciará el contenedor cuando se especifiquen las tres opciones siguientes con valores válidos:

Para obtener más información acerca de estas opciones, consulte Configure containers (Configuración de contenedores).

Resumen

En este artículo, ha aprendido los conceptos y el flujo de trabajo para la descarga, instalación y ejecución de contenedores de Computer Vision. En resumen:

• Computer Vision proporciona un contenedor de Linux para Docker que incluye Leer.
• Para ejecutar la imagen del contenedor de Read se necesita una aplicación.
• Las imágenes de contenedor se ejecutan en Docker.
• Puede usar la API de REST o el SDK para llamar a operaciones en contenedores de OCR de lectura mediante la especificación del URI del host del contenedor.
• Debe especificar la información de facturación al crear una instancia de un contenedor.

Pasos siguientes

• Revise Configure containers (Configuración de contenedores) para ver las opciones de configuración.
• Revise Introducción a OCR para obtener más información sobre el reconocimiento de texto escrito a mano e impreso.
• Consulte Read API para más información sobre los métodos que admite el contenedor.
• Consulte Preguntas más frecuentes (P+F) para resolver problemas relacionados con la funcionalidad de Computer Vision.
• Uso de Contenedores de Cognitive Services