Installare ed eseguire Riconoscimento modulo contenitori v2.1-preview

Questa pagina è stata utile?

Hai feedback aggiuntivo?

Il feedback verrà inviato a Microsoft: se selezioni il pulsante Invia, il tuo feedback verrà usato per migliorare i prodotti e i servizi Microsoft. Informativa sulla privacy.

Importante

• Riconoscimento modulo contenitori sono in anteprima gated. Per usarli, è necessario inviare una richiesta online e ricevere l'approvazione. Per altre informazioni, vedereApprovazionerequest per eseguire il contenitore di seguito.

• Il modulo di richiesta online richiede di specificare un indirizzo di posta elettronica valido che appartiene all'organizzazione che possiede l'ID sottoscrizione di Azure e che è stato concesso o che è stato concesso l'accesso a tale sottoscrizione.

Azure Riconoscimento modulo è un servizio di intelligenza artificiale applicato di Azure che consente di creare software di elaborazione dati automatizzata usando la tecnologia di Machine Learning. Riconoscimento modulo consente di identificare ed estrarre testo, coppie chiave/valore, contrassegni di selezione, dati di tabella e altro ancora dai documenti del modulo e dati strutturati che includono le relazioni nel file originale.

In questo articolo si apprenderà come scaricare, installare ed eseguire contenitori Riconoscimento modulo. I contenitori consentono di eseguire il servizio Riconoscimento modulo nel proprio ambiente. I contenitori sono ottimi per requisiti specifici di sicurezza e governance dei dati. Riconoscimento modulo funzionalità sono supportate da sei contenitori di funzionalità di Riconoscimento modulo: layout, carta di lavoro, documento ID, ricevuta, fattura e personalizzato (per i contenitori ricevuti, biglietti da visita e documento ID, sarà necessario anche il contenitore Read OCR).

Prerequisiti

Per iniziare, sarà necessario un account Azure attivo. Se non ne hai uno, puoi creare un account gratuito.

È anche necessario usare i contenitori di Riconoscimento modulo seguenti:

Necessario	Scopo
Familiarità con Docker	È consigliabile avere una conoscenza di base dei concetti di Docker, ad esempio registri, repository, contenitori e immagini contenitore, nonché conoscenza della terminologia e dei comandi di basedocker.
Motore Docker installato	È necessario il motore Docker installato in un computer host. Docker offre pacchetti per la configurazione dell'ambiente Docker in macOS, Windows e Linux. Per una panoramica dei concetti fondamentali relativi a Docker e ai contenitori, vedere Docker overview (Panoramica di Docker). Docker deve essere configurato per consentire ai contenitori di connettersi ai dati di fatturazione e inviarli ad Azure. In Windows, Docker deve essere configurato anche per supportare i contenitori Linux.
Risorsa Riconoscimento modulo	Risorsa servizi cognitividi Azure a servizio singolo Riconoscimento modulo o multiservizio nella portale di Azure. Per usare i contenitori, è necessario disporre dell'URI della chiave e dell'endpoint associato. Entrambi i valori sono disponibili nella pagina chiavi e endpoint di portale di Azure Riconoscimento modulo: {FORM_RECOGNIZER_KEY}: una delle due chiavi di risorsa disponibili. {FORM_RECOGNIZER_ENDPOINT_URI}: endpoint per la risorsa usata per tenere traccia delle informazioni di fatturazione.
Risorsa API Visione artificiale	Per elaborare biglietti da visita, documenti ID o ricevute, è necessaria una risorsa Visione artificiale. È possibile accedere alla funzionalità di riconoscimento del testo come risorsa di Azure (API REST o SDK) o come contenitorecognitive-services-recognize-text. Si applicano le tariffe di fatturazione consuete. Se si usa il contenitore cognitive-services-riconoscimento-testo, assicurarsi che la chiave di Visione artificiale per il contenitore Riconoscimento modulo sia la chiave specificata nel docker run Visione artificiale o docker compose comando per il riconoscimento del testo dei servizi cognitivi contenitore e l'endpoint di fatturazione è l'endpoint del contenitore , ad esempio http://localhost:5000. Se si usano insieme i contenitori di Visione artificiale e Riconoscimento modulo nello stesso host, non sarà possibile avviarli entrambi con la porta 5000 predefinita. Passare sia le chiavi che gli endpoint per il contenitore di servizi cognitivi o cloud di Azure Visione artificiale: {COMPUTER_VISION_KEY}: una delle due chiavi di risorsa disponibili. {COMPUTER_VISION_ENDPOINT_URI}: endpoint per la risorsa usata per tenere traccia delle informazioni di fatturazione.

Facoltativo	Scopo
Interfaccia della riga di comando di Azure (interfaccia della riga di comando)	L'interfaccia della riga di comando di Azure consente di usare un set di comandi online per creare e gestire le risorse di Azure. È disponibile per l'installazione in ambienti Windows, macOS e Linux e può essere eseguito in un contenitore Docker e in Azure Cloud Shell.

Richiedere l'approvazione per eseguire il contenitore

Completare e inviare il modulo Application for Gated Services per richiedere l'approvazione per eseguire il contenitore.

Il modulo richiede informazioni sull'utente, sull'azienda e sullo scenario utente per cui si userà il contenitore. Dopo aver inviato il modulo, il team di Servizi cognitivi di Azure lo esaminerà ed e-mail con una decisione entro 10 giorni lavorativi.

Nel modulo è necessario usare un indirizzo di posta elettronica associato a un ID sottoscrizione di Azure. La risorsa di Azure usata per eseguire il contenitore deve essere stata creata con l'ID sottoscrizione di Azure approvato. Controllare il messaggio di posta elettronica (sia nella posta in arrivo che nelle cartelle indesiderate) per gli aggiornamenti sullo stato dell'applicazione da Microsoft. Dopo l'approvazione, sarà possibile eseguire il contenitore dopo averla scaricata dall'Microsoft Container Registry (MCR), descritta più avanti nell'articolo.

Requisiti del computer host

L'host è un computer basato su x64 che esegue il contenitore Docker. Può essere un computer dell'ambiente locale o un servizio di hosting Docker in Azure, tra cui:

• Servizio Azure Kubernetes.
• Istanze di Azure Container.
• Cluster Kubernetes distribuito in Azure Stack. Per altre informazioni, vedere Deploy Kubernetes to Azure Stack (Distribuire Kubernetes in Azure Stack).

Indicazioni e requisiti per i contenitori

Contenitori obbligatori

Nella tabella seguente sono elencati i contenitori di supporto per ogni contenitore Riconoscimento modulo scaricato. Per altre informazioni, vedere la sezione Fatturazione .

Contenitore funzionalità	Supporto di contenitori
Layout	Nessuno
Tessera business	Visione artificiale lettura
DOCUMENTO ID	Visione artificiale lettura
Fattura	Layout
Ricevuta	Visione artificiale lettura
Impostazione personalizzata	API personalizzata, supervisione personalizzata, layout

Core cpu e memoria consigliati

Nota

I valori minimi e consigliati sono basati sui limiti di Docker e non sulle risorse del computer host.

Lettura, layout e contenitori predefiniti

Contenitore	Minima	Consigliato
Lettura 3.2	8 core, 16 GB di memoria	8 core, 24 GB di memoria
Layout 2.1-preview	8 core, 16 GB di memoria	8 core, 24 GB di memoria
Business Card 2.1-preview	2 core, memoria da 4 GB	4 core, memoria da 4 GB
ID Document 2.1-preview	1 core, memoria da 2 GB	2 core, memoria da 2 GB
Fattura 2.1-preview	4 core, memoria da 8 GB	8 core, memoria da 8 GB
Ricezione 2.1-preview	4 core, memoria da 8 GB	8 core, memoria da 8 GB

Contenitori personalizzati

I requisiti del computer host seguenti sono applicabili per eseguire il training e analizzare le richieste:

Contenitore	Minima	Consigliato
API personalizzato	0,5 core, memoria da 0,5 GB	1 core, memoria da 1 GB
Supervisione personalizzata	4 core, memoria da 2 GB	8 core, memoria da 4 GB

Se si effettua solo l'analisi delle chiamate, i requisiti del computer host sono i seguenti:

Contenitore	Minima	Consigliato
Supervisione personalizzata (analisi)	1 core, 0,5 GB	2 core, memoria da 1 GB

• Ogni core deve essere di almeno 2,6 gigahertz (GHz) o superiore.
• Core e memoria corrispondono alle --cpus impostazioni e --memory , usate come parte del docker compose comando o docker run .

Suggerimento

È possibile usare il comando docker images per visualizzare l'elenco delle immagini dei contenitori scaricate. Ad esempio, il comando seguente visualizza l'ID, il repository e il tag di ogni immagine del contenitore scaricata, in formato tabella:

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

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

Eseguire il contenitore con il comando docker-compose up

• Sostituire i valori {ENDPOINT_URI} e {API_KEY} con l'URI dell'endpoint della risorsa e la chiave dalla pagina delle risorse di Azure.

  

• Assicurarsi che il valore EULA sia impostato su "accetta".

• I valori , Billinge Key devono essere specificati. In EULAcaso contrario, il contenitore non verrà avviato.

Importante

Le chiavi vengono usate per accedere alla risorsa Riconoscimento modulo. Non condividerle. Archiviarli in modo sicuro, ad esempio usando Azure Key Vault. È inoltre consigliabile rigenerare queste chiavi regolarmente. Per effettuare una chiamata API è necessaria una sola chiave. Quando si rigenera la prima chiave, è possibile usare la seconda chiave per l'accesso continuato al servizio.

Layout

Di seguito è riportato un esempio autonomo docker compose per eseguire il contenitore layout di Riconoscimento modulo. Con docker compose, si usa un file YAML per configurare i servizi dell'applicazione. Quindi, con docker-compose up il comando, si creano e si avviano tutti i servizi dalla configurazione. Immettere i valori {FORM_RECOGNIZER_ENDPOINT_URI} e {{FORM_RECOGNIZER_KEY} per l'istanza del contenitore Layout.

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

A questo punto, è possibile avviare il servizio con il comando docker compose :

docker-compose up

Tessera business

Di seguito è riportato un esempio autonomo docker compose per eseguire Riconoscimento modulo biglietti da visita e leggere insieme i contenitori. Con docker compose, si usa un file YAML per configurare i servizi dell'applicazione. Quindi, con docker-compose up il comando, si creano e si avviano tutti i servizi dalla configurazione. Immettere i valori {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_RECOGNIZER_KEY} per l'istanza del contenitore business card. Immettere {COMPUTER_VISION_ENDPOINT_URI} e {COMPUTER_VISION_KEY} per il contenitore di lettura Visione artificiale.

version: "3.9"
services:
  azure-cognitive-service-businesscard:
    container_name: azure-cognitive-service-businesscard
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/businesscard
    environment:
      - EULA=accept
      - billing={FORM_RECOGNIZER_ENDPOINT_URI}
      - key={FORM_RECOGNIZER_KEY}
      - AzureCognitiveServiceReadHost=http://azure-cognitive-service-read:5000
    ports:
      - "5000:5050"
    networks:
      - ocrvnet
  azure-cognitive-service-read:
    container_name: azure-cognitive-service-read
    image: mcr.microsoft.com/azure-cognitive-services/vision/read:3.2
    environment:
      - EULA=accept
      - billing={COMPUTER_VISION_ENDPOINT_URI}
      - key={COMPUTER_VISION_KEY}
    networks:
      - ocrvnet

networks:
  ocrvnet:
    driver: bridge

A questo punto, è possibile avviare il servizio con il comando docker compose :

docker-compose up

DOCUMENTO ID

Di seguito è riportato un esempio autonomo docker compose per eseguire insieme Riconoscimento modulo documento ID e Lettura contenitori. Con docker compose, si usa un file YAML per configurare i servizi dell'applicazione. Quindi, con docker-compose up il comando, si creano e si avviano tutti i servizi dalla configurazione. Immettere i valori {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_RECOGNIZER_KEY} per il contenitore del documento ID. Immettere i valori {COMPUTER_VISION_ENDPOINT_URI} e {COMPUTER_VISION_KEY} per il contenitore di lettura Visione artificiale.

version: "3.9"
services:
  azure-cognitive-service-id:
    container_name: azure-cognitive-service-id
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/id-document
    environment:
      - EULA=accept
      - billing={FORM_RECOGNIZER_ENDPOINT_URI}
      - key={FORM_RECOGNIZER_KEY}
      - AzureCognitiveServiceReadHost=http://azure-cognitive-service-read:5000
    ports:
      - "5000:5050"
    networks:
      - ocrvnet
  azure-cognitive-service-read:
    container_name: azure-cognitive-service-read
    image: mcr.microsoft.com/azure-cognitive-services/vision/read:3.2
    environment:
      - EULA=accept
      - billing={COMPUTER_VISION_ENDPOINT_URI}
      - key={COMPUTER_VISION_KEY}
    networks:
      - ocrvnet

networks:
  ocrvnet:
    driver: bridge

A questo punto, è possibile avviare il servizio con il comando docker compose :

docker-compose up

Fattura

Di seguito è riportato un esempio autonomo docker compose per eseguire insieme Riconoscimento modulo contenitori fattura e layout. Con docker compose, si usa un file YAML per configurare i servizi dell'applicazione. Quindi, con docker-compose up il comando, si creano e si avviano tutti i servizi dalla configurazione. Immettere i valori {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_RECOGNIZER_KEY} per i contenitori Fattura e Layout.

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

networks:
  ocrvnet:
    driver: bridge

A questo punto, è possibile avviare il servizio con il comando docker compose :

docker-compose up

Ricevuta

Di seguito è riportato un esempio autonomo docker compose per eseguire insieme Riconoscimento modulo Ricevuta e Lettura contenitori. Con docker compose, si usa un file YAML per configurare i servizi dell'applicazione. Quindi, con docker-compose up il comando, si creano e si avviano tutti i servizi dalla configurazione. Immettere i valori {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_RECOGNIZER_KEY} per il contenitore Ricevuta. Immettere i valori {COMPUTER_VISION_ENDPOINT_URI} e {COMPUTER_VISION_KEY} per il contenitore di lettura Visione artificiale.

version: "3.9"
services:
  azure-cognitive-service-receipt:
    container_name: azure-cognitive-service-receipt
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/receipt
    environment:
      - EULA=accept
      - billing={FORM_RECOGNIZER_ENDPOINT_URI}
      - key={FORM_RECOGNIZER_KEY}
      - AzureCognitiveServiceReadHost=http://azure-cognitive-service-read:5000
    ports:
      - "5000:5050"
    networks:
      - ocrvnet
  azure-cognitive-service-read:
    container_name: azure-cognitive-service-read
    image: mcr.microsoft.com/azure-cognitive-services/vision/read:3.2
    environment:
      - EULA=accept
       - billing={COMPUTER_VISION_ENDPOINT_URI}
      - key={COMPUTER_VISION_KEY}
    networks:
      - ocrvnet

networks:
  ocrvnet:
    driver: bridge

A questo punto, è possibile avviare il servizio con il comando docker compose :

docker-compose up

Impostazione personalizzata

Oltre ai prerequisiti indicati in precedenza, è necessario eseguire le operazioni seguenti per elaborare un documento personalizzato:

• Creare una cartella per archiviare i file seguenti:

1. .env
2. nginx.conf
3. docker-compose.yml

• Creare una cartella per archiviare i dati di input

1. Assegnare un nome a questa cartella condivisa.
2. Verrà fatto riferimento al percorso del file per questa cartella come {SHARED_MOUNT_PATH}.
3. Copiare il percorso del file in un percorso pratico, ad esempio Microsoft Blocco note. Sarà necessario aggiungerlo al file con estensione env , di seguito.

• Creare una cartella per archiviare i log scritti dal servizio Riconoscimento modulo nel computer locale.

1. Assegnare un nome all'output della cartella.
2. Verrà fatto riferimento al percorso del file per questa cartella come {OUTPUT_MOUNT_PATH}.
3. Copiare il percorso del file in un percorso pratico, ad esempio Microsoft Blocco note. Sarà necessario aggiungerlo al file con estensione env , di seguito.

• Creare un file di ambiente

1. Assegnare al file il nome .env.

2. Dichiarare le variabili di ambiente seguenti:

SHARED_MOUNT_PATH="<file-path-to-shared-folder>"
OUTPUT_MOUNT_PATH="<file -path-to-output-folder>"
FORM_RECOGNIZER_ENDPOINT_URI="<your-form-recognizer-endpoint>"
FORM_RECOGNIZER_KEY="<your-form-recognizer-key>"
RABBITMQ_HOSTNAME="rabbitmq"
RABBITMQ_PORT=5672
NGINX_CONF_FILE="<file-path>"

• Creare un file nginx

1. Assegnare il nome a questo file nginx.conf.

2. Immettere la configurazione seguente:

worker_processes 1;

events { worker_connections 1024; }

http {

    sendfile on;
    client_max_body_size 90M;
    upstream docker-api {
        server azure-cognitive-service-custom-api: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-api/;

        }

        location /status {
            proxy_pass http://docker-api/status;

        }

        location /ready {
            proxy_pass http://docker-api/ready;

        }

        location /swagger {
            proxy_pass http://docker-api/swagger;

        }

        location /formrecognizer/v2.1/custom/ {
            proxy_set_header Host $host:$server_port;
            proxy_set_header Referer $scheme://$host:$server_port;
            proxy_pass http://docker-api/formrecognizer/v2.1/custom/;

        }

        location /formrecognizer/v2.1/layout/ {
            proxy_set_header Host $host:$server_port;
            proxy_set_header Referer $scheme://$host:$server_port;
            proxy_pass http://docker-layout/formrecognizer/v2.1/layout/;

        }
    }
}

• Raccogliere un set di almeno sei forme dello stesso tipo. Questi dati verranno usati per eseguire il training del modello e testare un modulo. È possibile usare un set di dati di esempio (scaricare ed estrarre sample_data.zip). Scaricare i file di training nella cartella condivisa creata in precedenza.

• Per etichettare i dati, scaricare lo strumento di etichettatura di esempio Riconoscimento modulo per Windows. Il download importerà lo strumento di etichettatura .exe file che verrà usato per etichettare i dati presenti nel file system locale. È possibile ignorare tutti gli avvisi che si verificano durante il processo di download.

Creare un nuovo progetto di strumento di etichettatura di esempio

• Aprire lo strumento di etichettatura facendo doppio clic sullo strumento Di etichettatura di esempio .exe file.
• Nel riquadro sinistro dello strumento selezionare la scheda Connessioni.
• Selezionare questa opzione per creare un nuovo progetto e assegnargli un nome e una descrizione.
• Per il provider, scegliere l'opzione del file system locale. Per la cartella locale, assicurarsi di immettere il percorso della cartella in cui sono archiviati i file di dati di esempio.
• Tornare alla scheda Home e selezionare l'opzione "Usa personalizzato per eseguire il training di un modello con etichette e coppie chiave-valore".
• Selezionare il pulsante Train (Training) nel riquadro sinistro per eseguire il training del modello etichettato.
• Salvare questa connessione e usarla per etichettare le richieste.
• È possibile scegliere di analizzare il file scelto rispetto al modello sottoposto a training.

• Creare un file docker compose

1. Assegnare al file il nome docker-compose.yml

2. Di seguito è riportato un esempio autonomo docker compose per eseguire Riconoscimento modulo layout, strumento etichetta, API personalizzata e contenitori con supervisione personalizzata insieme. Con docker composesi usa un file YAML per configurare i servizi dell'applicazione. Quindi, con docker-compose up il comando creare e avviare tutti i servizi dalla configurazione.

version: '3.3'
services:
 nginx:
  image: nginx:alpine
  container_name: reverseproxy
  volumes:
    - ${NGINX_CONF_FILE}:/etc/nginx/nginx.conf
  ports:
    - "5000:5000"
 rabbitmq:
  container_name: ${RABBITMQ_HOSTNAME}
  image: rabbitmq:3
  expose:
    - "5672"
 layout:
  container_name: azure-cognitive-service-layout
  image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/layout
  depends_on:
    - rabbitmq
  environment:
    eula: accept
    key: ${FORM_RECOGNIZER_KEY}
    billing: ${FORM_RECOGNIZER_ENDPOINT_URI}
    Queue:RabbitMQ:HostName: ${RABBITMQ_HOSTNAME}
    Queue:RabbitMQ:Port: ${RABBITMQ_PORT}
    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-api:
  container_name: azure-cognitive-service-custom-api
  image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/custom-api
  restart: always
  depends_on:
    - rabbitmq
  environment:
    eula: accept
    key: ${FORM_RECOGNIZER_KEY}
    billing: ${FORM_RECOGNIZER_ENDPOINT_URI}
    Logging:Console:LogLevel:Default: Information
    Queue:RabbitMQ:HostName: ${RABBITMQ_HOSTNAME}
    Queue:RabbitMQ:Port: ${RABBITMQ_PORT}
    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-supervised:
  container_name: azure-cognitive-service-custom-supervised
  image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/custom-supervised
  restart: always
  depends_on:
    - rabbitmq
  environment:
    eula: accept
    key: ${FORM_RECOGNIZER_KEY}
    billing: ${FORM_RECOGNIZER_ENDPOINT_URI}
    CustomFormRecognizer:ContainerPhase: All
    CustomFormRecognizer:LayoutAnalyzeUri: http://azure-cognitive-service-layout:5000/formrecognizer/v2.1/layout/analyze
    Logging:Console:LogLevel:Default: Information
    Queue:RabbitMQ:HostName: ${RABBITMQ_HOSTNAME}
    Queue:RabbitMQ:Port: ${RABBITMQ_PORT}
    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

Verificare che il servizio sia in esecuzione

Per assicurarsi che il servizio sia attivo e in esecuzione. Eseguire questi comandi in una shell Ubuntu.

$cd <folder containing the docker-compose file>

$source .env

$docker-compose up

Crea una nuova connessione

• Nel riquadro sinistro dello strumento selezionare la scheda Connessioni .
• Selezionare Crea un nuovo progetto e assegnargli un nome e una descrizione.
• Per il provider, scegliere l'opzione del file system locale . Per la cartella locale, assicurarsi di immettere il percorso della cartella in cui sono archiviati i file di dati di esempio .
• Tornare alla scheda Home e selezionare Usa personalizzato per eseguire il training di un modello con etichette e coppie chiave-valore.
• Selezionare il pulsante Train (Training) nel riquadro sinistro per eseguire il training del modello etichettato.
• Salvare questa connessione e usarla per etichettare le richieste.
• È possibile scegliere di analizzare il file scelto rispetto al modello sottoposto a training.

Verificare che il servizio sia in esecuzione

Esistono diversi modi per verificare che il contenitore sia in esecuzione:

• Il contenitore fornisce una home page in \ come convalida visiva in cui è in esecuzione il contenitore.

• È possibile aprire il Web browser preferito e passare all'indirizzo IP esterno e alla porta esposta del contenitore in questione. Usare i vari URL di richiesta seguenti per verificare che il contenitore sia in esecuzione. Gli URL di richiesta di esempio elencati di seguito sono http://localhost:5000, ma il contenitore specifico può variare. Tenere presente che si passa all'indirizzo IP esterno del contenitore e alla porta esposta.

  URL della richiesta	Scopo
  http:// localhost:5000/	Il contenitore fornisce un home page.
  http:// localhost:5000/ready	Richiesta con GET, questa richiesta fornisce una verifica che il contenitore sia pronto per accettare una query sul modello. Questa richiesta può essere usata per i probe di attività e di idoneità di Kubernetes.
  http:// localhost:5000/status	Richiesta con GET, questa richiesta verifica se la chiave API usata per avviare il contenitore è valida senza causare una query dell'endpoint. Questa richiesta può essere usata per i probe di attività e di idoneità di Kubernetes.
  http:// localhost:5000/swagger	Il contenitore fornisce un set completo di documentazione per gli endpoint e una funzionalità Prova. Con questa funzionalità, è possibile immettere le impostazioni in un modulo HTML basato sul Web ed eseguire la query senza scrivere codice. Dopo che la query restituisce il risultato, viene fornito un comando CURL di esempio per illustrare il formato richiesto per il corpo e le intestazioni HTTP.

Arrestare i contenitori

Per arrestare i contenitori, usare il comando seguente:

docker-compose down

Fatturazione

I contenitori di Riconoscimento modulo inviano le informazioni di fatturazione ad Azure usando una risorsa di Riconoscimento modulo nell'account Azure.

Le query sul contenitore vengono fatturate secondo il piano tariffario della risorsa di Azure usata per Key. Verranno addebitati i costi per ogni istanza del contenitore usata per elaborare i documenti e le immagini. Pertanto, se si usa la funzionalità biglietto da visita, verranno addebitate le istanze di Riconoscimento modulo BusinessCard e Computer Vision Read contenitore. Per la funzionalità della fattura, verranno fatturate le istanze di Riconoscimento modulo Invoice e Layout contenitore. Vedere, Riconoscimento modulo e Visione artificiale leggere i prezzi dei contenitori di funzionalità.

I contenitori di Servizi cognitivi di Azure non vengono concessi in licenza per l'esecuzione senza essere connessi all'endpoint di misurazione/fatturazione. I contenitori devono essere abilitati per comunicare sempre le informazioni di fatturazione con l'endpoint di fatturazione. I contenitori di Servizi cognitivi non inviano a Microsoft i dati dei clienti, ad esempio l'immagine o il testo analizzato.

Connettersi ad Azure

Per eseguire il contenitore, sono necessari i valori dell'argomento di fatturazione. Questi valori consentono al contenitore di connettersi all'endpoint di fatturazione. Il contenitore segnala l'utilizzo ogni 10-15 minuti. Se il contenitore non si connette ad Azure entro la finestra temporale consentita, continuerà a essere eseguito ma non fornirà query finché l'endpoint di fatturazione non verrà ripristinato. Il tentativo di connessione viene effettuato 10 volte nello stesso intervallo di tempo di 10-15 minuti. Se non riesce a connettersi all'endpoint di fatturazione entro i 10 tentativi, il contenitore smette di gestire le richieste. Per un esempio delle informazioni inviate a Microsoft per la fatturazione, vedere domande frequenti sui contenitori di Servizi cognitivi .

Argomenti di fatturazione

Il comando docker-compose up avvierà il contenitore quando vengono fornite tutte e tre le opzioni seguenti con valori validi:

Opzione	Descrizione
Key	Chiave della risorsa servizi cognitivi usata per tenere traccia delle informazioni di fatturazione. Il valore di questa opzione deve essere impostato su una chiave per la risorsa di cui è stato effettuato il provisioning specificato in Billing.
Billing	Endpoint della risorsa di Servizi cognitivi usata per tenere traccia delle informazioni di fatturazione. Il valore di questa opzione deve essere impostato sull'URI dell'endpoint di una risorsa di Azure di cui è stato effettuato il provisioning.
Eula	Indica che è la licenza per il contenitore è stata accettata. Il valore di questa opzione deve essere impostato su accept.

Per altre informazioni su queste opzioni, vedere Configurare i contenitori.

Riepilogo

L'operazione è terminata. In questo articolo sono stati illustrati i concetti e i flussi di lavoro per il download, l'installazione e l'esecuzione di contenitori Riconoscimento modulo. In sintesi:

• Riconoscimento modulo fornisce sette contenitori Linux per Docker.
• Le immagini del contenitore vengono scaricate da mcr.
• Le immagini dei contenitori vengono eseguite in Docker.
• Le informazioni di fatturazione devono essere specificate quando si crea un'istanza di un contenitore.

Importante

I contenitori di Servizi cognitivi non sono concessi in licenza per l'esecuzione senza essere connessi ad Azure per la misurazione. I clienti devono consentire ai contenitori di comunicare sempre le informazioni di fatturazione al servizio di misurazione. I contenitori di Servizi cognitivi non inviano a Microsoft i dati dei clienti, ad esempio l'immagine o il testo analizzato.

Passaggi successivi

• impostazioni di configurazione del contenitore Riconoscimento modulo