Instalowanie i uruchamianie kontenerów

Artykuł
01/17/2024

Obsługa kontenerów jest obecnie dostępna z wersją 2022-08-31 (GA) analizy dokumentów dla wszystkich modeli i 2023-07-31 (GA) tylko do odczytu i układu:

✔️ Aby uzyskać informacje na temat obsługiwanych kontenerów, zobacz Instalowanie i uruchamianie kontenerów usługi Document Intelligence w wersji 3.0.

Ta zawartość dotyczy:v3.0 (GA)v3.1 (GA)

Azure AI Document Intelligence to usługa azure AI, która umożliwia tworzenie zautomatyzowanego oprogramowania do przetwarzania danych przy użyciu technologii uczenia maszynowego. Analiza dokumentów umożliwia identyfikowanie i wyodrębnianie tekstu, par klucz/wartość, znaczniki wyboru, dane tabeli i nie tylko z dokumentów. Wyniki są dostarczane jako dane ustrukturyzowane, które .. /zawiera relacje w oryginalnym pliku.

Z tego artykułu dowiesz się, jak pobierać, instalować i uruchamiać kontenery analizy dokumentów. Kontenery umożliwiają uruchamianie usługi Analizy dokumentów we własnym środowisku. Kontenery doskonale nadają się do określonych wymagań w zakresie zabezpieczeń i zarządzania danymi.

Modele odczytu i układu są obsługiwane przez kontenery analizy dokumentów w wersji 3.1.
Kontenery Analizy dokumentów w wersji 3.0 są obsługiwane przez kontenery Read, Layout, General Document, Document, Receipt, Invoice, Business Card i Custom.
Model wizytówek jest obecnie obsługiwany tylko w kontenerach w wersji 2.1.

Wymagania wstępne

Do rozpoczęcia pracy potrzebne jest aktywne konto platformy Azure. Jeśli nie masz, możesz utworzyć bezpłatne konto.

Do korzystania z kontenerów analizy dokumentów potrzebne są również następujące elementy:

Wymagania	Purpose
Znajomość platformy Docker	Musisz mieć podstawową wiedzę na temat pojęć związanych z platformą Docker, takich jak rejestry, repozytoria, kontenery i obrazy kontenerów, a także znajomość podstawowej `docker`terminologii i poleceń.
Zainstalowany aparat platformy Docker	Aparat platformy Docker jest zainstalowany na komputerze hosta. Platforma Docker udostępnia pakiety, które konfigurują środowisko platformy Docker w systemach macOS, Windows i Linux. Aby uzyskać podstawowe informacje na temat platformy Docker i kontenerów, zapoznaj się z artykułem Docker overview (Przegląd platformy Docker). Platforma Docker musi być skonfigurowana tak, aby umożliwić kontenerom łączenie się z platformą Azure i wysyłanie danych rozliczeniowych do platformy Azure. W systemie Windows platforma Docker musi być również skonfigurowana do obsługi kontenerów systemu Linux .
Zasób analizy dokumentów	Usługa Azure AI Document Intelligence lub zasób z wieloma usługami w witrynie Azure Portal. Aby korzystać z kontenerów, musisz mieć skojarzony klucz i identyfikator URI punktu końcowego. Obie wartości są dostępne na stronie Klucze analizy dokumentów i punkt końcowy w witrynie Azure Portal: {FORM_RECOGNIZER_KEY}: jeden z dwóch dostępnych kluczy zasobów. {FORM_RECOGNIZER_ENDPOINT_URI}: punkt końcowy zasobu używanego do śledzenia informacji rozliczeniowych.

Opcjonalnie	Purpose
Interfejs wiersza polecenia platformy Azure (interfejs wiersza polecenia)	Interfejs wiersza polecenia platformy Azure umożliwia tworzenie zasobów platformy Azure i zarządzanie nimi za pomocą zestawu poleceń online. Jest ona dostępna do zainstalowania w środowiskach systemu Windows, macOS i Linux oraz może być uruchamiana w kontenerze platformy Docker i usłudze Azure Cloud Shell.

Wymagania dotyczące komputera hosta

Host to komputer oparty na architekturze x64 z uruchomionym kontenerem platformy Docker. Może to być komputer lokalny lub usługa hostingu platformy Docker na platformie Azure, taka jak:

Azure Kubernetes Service.
Azure Container Instances.
Klaster Kubernetes wdrożony w usłudze Azure Stack. Aby uzyskać więcej informacji, zobacz Wdrażanie rozwiązania Kubernetes w usłudze Azure Stack.

Wymagania i zalecenia dotyczące kontenerów

Wymagane kontenery pomocnicze

W poniższej tabeli wymieniono kontenery pomocnicze dla każdego pobranego kontenera analizy dokumentów. Aby uzyskać więcej informacji, zobacz sekcję Rozliczenia .

Kontener funkcji	Obsługa kontenerów
Przeczytaj	Niewymagane
Układ	Niewymagane
Wizytówka	Przeczytaj
Dokument ogólny	Układ
Faktura	Układ
Otrzymania	Odczyt lub układ
Identyfikator dokumentu	Przeczytaj
Szablon niestandardowy	Układ

Zalecane rdzenie procesora CPU i pamięć

Uwaga

Minimalne i zalecane wartości są oparte na limitach platformy Docker, a nie na zasobach maszyny hosta.

Kontenery analizy dokumentów

Kontener	Minimum	Zalecane
`Read`	`8` rdzenie, pamięć 10 GB	`8` rdzenie, pamięć 24 GB
`Layout`	`8` rdzenie, 16 GB pamięci	`8` rdzenie, pamięć 24 GB
`Business Card`	`8` rdzenie, 16 GB pamięci	`8` rdzenie, pamięć 24 GB
`General Document`	`8` rdzenie, pamięć 12 GB	`8` rdzenie, pamięć 24 GB
`ID Document`	`8` rdzenie, 8 GB pamięci	`8` rdzenie, pamięć 24 GB
`Invoice`	`8` rdzenie, 16 GB pamięci	`8` rdzenie, pamięć 24 GB
`Receipt`	`8` rdzenie, 11 GB pamięci	`8` rdzenie, pamięć 24 GB
`Custom Template`	`8` rdzenie, 16 GB pamięci	`8` rdzenie, pamięć 24 GB

Każdy rdzeń musi być co najmniej 2,6 gigahertz (GHz) lub szybszy.
Rdzeń i pamięć odpowiadają --cpus ustawieniu i --memory , które są używane w ramach docker compose polecenia lub docker run .

Napiwek

Możesz użyć polecenia docker images , aby wyświetlić listę pobranych obrazów kontenerów. Na przykład następujące polecenie wyświetla identyfikator, repozytorium i tag każdego pobranego obrazu kontenera sformatowane jako tabela:

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

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

Uruchamianie kontenera za pomocą polecenia docker-compose up

Zastąp wartości {ENDPOINT_URI} i {API_KEY} identyfikatorem URI punktu końcowego zasobu oraz kluczem ze strony zasobu platformy Azure.
Upewnij się, że wartość umowy EULA jest ustawiona na akceptowanie.
EULANależy określić wartości , BillingiApiKey. W przeciwnym razie nie można uruchomić kontenera.

Ważne

Klucze są używane do uzyskiwania dostępu do zasobu analizy dokumentów. Nie udostępniaj swoich kluczy. Przechowuj je bezpiecznie, na przykład przy użyciu usługi Azure Key Vault. Zalecamy również regularne ponowne generowanie tych kluczy. Tylko jeden klucz jest wymagany do wykonania wywołania interfejsu API. Podczas ponownego generowania pierwszego klucza można używać drugiego klucza, aby nadal uzyskiwać dostęp do usługi.

Poniższy przykładowy kod jest przykładem samodzielnego docker compose uruchamiania kontenera układu analizy dokumentów. Za pomocą docker composepolecenia użyjesz pliku YAML, aby skonfigurować usługi aplikacji. Następnie za docker-compose up pomocą polecenia utworzysz i uruchomisz wszystkie usługi z konfiguracji. Wprowadź wartości {FORM_RECOGNIZER_ENDPOINT_URI} i {FORM_RECOGNIZER_KEY} dla wystąpienia kontenera układu.

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

Teraz możesz uruchomić usługę za pomocą polecenia docker compose :

docker-compose up

Poniższy przykład kodu jest przykładem samodzielnego docker compose uruchamiania kontenera dokumentów ogólnych analizy dokumentów. Za pomocą docker composepolecenia użyjesz pliku YAML, aby skonfigurować usługi aplikacji. Następnie za pomocą docker-compose up polecenia utworzysz i uruchomisz wszystkie usługi z poziomu konfiguracji. Wprowadź wartości {FORM_RECOGNIZER_ENDPOINT_URI} i {FORM_RECOGNIZER_KEY} dla wystąpień kontenera dokumentu ogólnego i układu.

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}

Teraz możesz uruchomić usługę za pomocą polecenia docker compose :

docker-compose up

Biorąc pod uwagę zasoby na maszynie, uruchomienie kontenera Dokument ogólny może zająć trochę czasu.

Poniższy przykładowy kod jest przykładem samodzielnego docker compose uruchamiania kontenera układu analizy dokumentów. Za pomocą docker composepolecenia użyjesz pliku YAML, aby skonfigurować usługi aplikacji. Następnie za pomocą docker-compose up polecenia utworzysz i uruchomisz wszystkie usługi z poziomu konfiguracji. Wprowadź wartości {FORM_RECOGNIZER_ENDPOINT_URI} i {FORM_RECOGNIZER_KEY} dla wystąpienia kontenera układu.

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

Teraz możesz uruchomić usługę za pomocą polecenia docker compose :

docker-compose up

Poniższy przykładowy kod jest przykładem samodzielnego docker compose uruchamiania kontenera faktury analizy dokumentów. Za pomocą docker composepolecenia użyjesz pliku YAML, aby skonfigurować usługi aplikacji. Następnie za pomocą docker-compose up polecenia utworzysz i uruchomisz wszystkie usługi z poziomu konfiguracji. Wprowadź wartości {FORM_RECOGNIZER_ENDPOINT_URI} i {FORM_RECOGNIZER_KEY} dla wystąpień kontenera Faktura i Układ.

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}

Teraz możesz uruchomić usługę za pomocą polecenia 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}

Teraz możesz uruchomić usługę za pomocą polecenia 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}

Teraz możesz uruchomić usługę za pomocą polecenia 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}

Oprócz wymagań wstępnych należy wykonać następujące czynności, aby przetworzyć dokument niestandardowy:

Utwórz folder do przechowywania następujących plików

.Env
nginx.conf
docker-compose.yml

Tworzenie folderu do przechowywania danych wejściowych

Nadaj temu folderowi nazwę.
Odwołujemy się do ścieżki pliku dla tego folderu jako {FILE_MOUNT_PATH}.
Skopiuj ścieżkę pliku w dogodnej lokalizacji, musisz dodać ją do pliku env . Jako przykład, jeśli folder jest nazywany plikami znajdującymi się w tym samym folderze co docker-compose plik, wpis pliku env jest następujący: FILE_MOUNT_PATH="./files"

Tworzenie folderu do przechowywania dzienników zapisanych przez usługę Document Intelligence na komputerze lokalnym

Nadaj temu folderowi nazwę danych wyjściowych.
Odwołujemy się do ścieżki pliku dla tego folderu jako {OUTPUT_MOUNT_PATH}.
Skopiuj ścieżkę pliku w dogodnej lokalizacji, musisz dodać ją do pliku env . Jeśli na przykład folder jest nazywany danymi wyjściowymi, znajdującym się w tym samym folderze co docker-compose plik, wpis pliku env jest następujący: OUTPUT_MOUNT_PATH="./output"

Tworzenie folderu do przechowywania wewnętrznego przetwarzania udostępnionego między kontenerami

Nadaj temu folderowi nazwę udostępnioną.
Odwołujemy się do ścieżki pliku dla tego folderu jako {SHARED_MOUNT_PATH}.
Skopiuj ścieżkę pliku w dogodnej lokalizacji, musisz dodać ją do pliku env . Jako przykład, jeśli folder jest nazywany udostępniony, znajdujący się w tym samym folderze co docker-compose plik, wpis pliku env jest SHARED_MOUNT_PATH="./shared"

Nadaj tej bazie danych folderów nazwę.
Odwołujemy się do ścieżki pliku dla tego folderu jako {DB_MOUNT_PATH}.
Skopiuj ścieżkę pliku w dogodnej lokalizacji, musisz dodać ją do pliku env . Na przykład, jeśli folder jest nazywany db, znajdujący się w tym samym folderze co docker-compose plik, wpis pliku env jest DB_MOUNT_PATH="./db"

Tworzenie pliku środowiska

Nadaj temu plikowi nazwę env.
Zadeklaruj następujące zmienne środowiskowe:

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"

Tworzenie pliku nginx

Nadaj temu plikowi nazwę nginx.conf.
Wprowadź następującą konfigurację:

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;
        }
    }
}

Tworzenie pliku docker compose

Nadaj temu plikowi nazwę docker-compose.yml
Poniższy przykładowy kod jest przykładem samodzielnego docker compose uruchamiania razem kontenerów szablonów Document Intelligence Layout, Studio i Custom template. Za pomocą docker composepolecenia użyjesz pliku YAML, aby skonfigurować usługi aplikacji. Następnie za pomocą docker-compose up polecenia utworzysz i uruchomisz wszystkie usługi z poziomu konfiguracji.

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)

Kontener szablonu niestandardowego może używać kolejek usługi Azure Storage lub w kolejkach pamięci. Storage:ObjectStore:AzureBlob:ConnectionString Zmienne środowiskowe i queue:azure:connectionstring muszą być ustawiane tylko w przypadku korzystania z kolejek usługi Azure Storage. W przypadku uruchamiania lokalnego usuń te zmienne.

Upewnij się, że usługa jest uruchomiona

Aby upewnić się, że usługa jest uruchomiona. Uruchom te polecenia w powłoce systemu Ubuntu.

$cd <folder containing the docker-compose file>

$source .env

$docker-compose up

Kontenery szablonów niestandardowych wymagają kilku różnych konfiguracji i obsługują inne opcjonalne konfiguracje

Ustawienie	Wymagania	opis
EULA	Tak	Przykład akceptacji licencji: Eula=accept
Rozliczenia	Tak	Identyfikator URI punktu końcowego rozliczeń zasobu usługi FR
ApiKey	Tak	Klucz punktu końcowego zasobu usługi FR
Queue:Azure:Połączenie ionString	Nie.	Parametry połączenia kolejki platformy Azure
Storage:ObjectStore:AzureBlob:Połączenie ionString	Nie.	Parametry połączenia obiektów blob platformy Azure
HealthCheck:MemoryUpperboundInMB	Nie.	Próg pamięci dla raportowania złej kondycji dla utrzymania. Wartość domyślna: taka sama jak zalecana pamięć
StorageTimeToLiveInMinutes	Nie.	Czas trwania czasu wygaśnięcia w celu usunięcia wszystkich plików pośrednich i końcowych. Ustawienie domyślne: Dwa dni czas wygaśnięcia może być ustawiony z zakresu od pięciu minut do siedmiu dni
Zadanie:MaxRunningTimeSpanInMinutes	Nie.	Maksymalny czas wykonywania dla traktowania żądania jako limitu czasu. Ustawienie domyślne: 60 minut
HTTP_PROXY_BYPASS_URLS	Nie.	Określ adresy URL dla pomijania serwera proxy Przykład: HTTP_PROXY_BYPASS_URLS = abc.com, xyz.com
AzureCognitiveServiceReadHost (paragon, tylko kontenery IdDocument)	Tak	Określ identyfikator URI kontenera odczytu— przykład: AzureCognitiveServiceReadHost=http://onprem-frread:5000
AzureCognitiveServiceLayoutHost (tylko dokument, kontenery faktur)	Tak	Określ identyfikator URI kontenera układu: AzureCognitiveServiceLayoutHost=http://onprem-frlayout:5000

Trenowanie modelu za pomocą programu Document Intelligence Studio

Zbierz zestaw co najmniej pięciu formularzy tego samego typu. Te dane służą do trenowania modelu i testowania formularza. Możesz użyć przykładowego zestawu danych (pobierz i wyodrębnij sample_data.zip).
Po potwierdzeniu, że kontenery są uruchomione, otwórz przeglądarkę i przejdź do punktu końcowego, w którym wdrożono kontenery. Jeśli to wdrożenie jest maszyną lokalną, punkt końcowy to [http://localhost:5000](http://localhost:5000).
Wybierz kafelek niestandardowego modelu wyodrębniania.
Create project Wybierz opcję.
Podaj nazwę projektu i opcjonalnie opis
W kroku "Skonfiguruj zasób" podaj punkt końcowy dla niestandardowego modelu szablonu. Jeśli kontenery zostały wdrożone na komputerze lokalnym, użyj tego adresu URL [http://localhost:5000](http://localhost:5000).
Podaj podfolder miejsca, w którym znajdują się dane szkoleniowe w folderze plików.
Na koniec utwórz projekt

Teraz powinien zostać utworzony projekt gotowy do etykietowania. Przekaż dane szkoleniowe i rozpocznij etykietowanie. Jeśli dopiero zaczynasz etykietowanie, zobacz tworzenie i trenowanie modelu niestandardowego

Trenowanie przy użyciu interfejsu API

Jeśli planujesz wywołać interfejsy API bezpośrednio w celu wytrenowania modelu, niestandardowy interfejs API trenowania modelu szablonu wymaga zakodowanego w formacie base64 pliku zip, który jest zawartością projektu etykietowania. Możesz pominąć pliki PDF lub obrazy i przesłać tylko pliki JSON.

Gdy zestaw danych jest oznaczony etykietą i *.ocr.json, *.labels.json i pliki fields.json dodane do pliku zip, użyj poleceń programu PowerShell, aby wygenerować ciąg zakodowany w formacie base64.

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

Użyj interfejsu API modelu kompilacji, aby opublikować żądanie.

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"
     }
}

Sprawdź, czy usługa jest uruchomiona

Istnieje kilka sposobów sprawdzania, czy kontener jest uruchomiony:

Kontener udostępnia stronę główną w \ postaci wizualnej weryfikacji uruchomionej kontenera.

Możesz otworzyć ulubioną przeglądarkę internetową i przejść do zewnętrznego adresu IP i uwidocznić port danego kontenera. Użyj wymienionych adresów URL żądań, aby zweryfikować, czy kontener jest uruchomiony. Wymienione przykładowe adresy URL żądań to http://localhost:5000, ale określony kontener może się różnić. Pamiętaj, że przechodzisz do zewnętrznego adresu IP kontenera i uwidaczniasz port.

Zażądaj URL	Purpose
http:// localhost:5000/	Kontener zawiera stronę główną.
http:// localhost:5000/ready	Żądanie get zapewnia weryfikację, że kontener jest gotowy do akceptowania zapytania względem modelu. To żądanie może służyć do sond gotowości i gotowości platformy Kubernetes.
http:// localhost:5000/status	Zażądano polecenia GET. To żądanie sprawdza, czy klucz api-key używany do uruchamiania kontenera jest prawidłowy bez powodowania zapytania punktu końcowego. To żądanie może służyć do sond gotowości i gotowości platformy Kubernetes.
http:// localhost:5000/swagger	Kontener zawiera pełen zestaw dokumentacji dla punktów końcowych oraz funkcję Wypróbuj. Dzięki tej funkcji możesz wprowadzić ustawienia w formularzu HTML opartym na sieci Web i utworzyć zapytanie bez konieczności pisania kodu. Po powrocie zapytania zostanie udostępnione przykładowe polecenie CURL, aby zademonstrować wymagane nagłówki HTTP i format treści.

Screenshot of Azure containers welcome page.

Zatrzymywanie kontenerów

Aby zatrzymać kontenery, użyj następującego polecenia:

docker-compose down

Rozliczenia

Kontenery analizy dokumentów wysyłają informacje rozliczeniowe na platformę Azure przy użyciu zasobu analizy dokumentów na koncie platformy Azure.

Zapytania do kontenera są rozliczane w warstwie cenowej zasobu platformy Azure używanego dla interfejsu API Key. Opłaty są naliczane za każde wystąpienie kontenera używane do przetwarzania dokumentów i obrazów.

Łączenie się z platformą Azure

Do uruchomienia kontenera potrzebne są wartości argumentów rozliczeniowych. Te wartości umożliwiają kontenerowi łączenie się z punktem końcowym rozliczeń. Kontener raportuje użycie co około 10 do 15 minut. Jeśli kontener nie łączy się z platformą Azure w dozwolonym przedziale czasu, kontener będzie nadal działać, ale nie obsługuje zapytań, dopóki punkt końcowy rozliczeń nie zostanie przywrócony. Próba nawiązania połączenia jest podejmowana 10 razy w tym samym przedziale czasu od 10 do 15 minut. Jeśli nie może nawiązać połączenia z punktem końcowym rozliczeń w ciągu 10 prób, kontener przestanie obsługiwać żądania. Zobacz Często zadawane pytania dotyczące kontenera usługi Azure AI, aby uzyskać przykład informacji wysyłanych do firmy Microsoft na potrzeby rozliczeń.

Argumenty rozliczeniowe

Polecenie docker-compose up uruchamia kontener, gdy wszystkie trzy z następujących opcji są dostarczane z prawidłowymi wartościami:

Opcja	Opis
`ApiKey`	Klucz zasobu usług Azure AI używany do śledzenia informacji rozliczeniowych. Wartość tej opcji musi być ustawiona na klucz dla zaaprowizowanego zasobu określonego w `Billing`pliku .
`Billing`	Punkt końcowy zasobu usług AI platformy Azure używany do śledzenia informacji rozliczeniowych. Wartość tej opcji musi być ustawiona na identyfikator URI punktu końcowego aprowizowanego zasobu platformy Azure.
`Eula`	Wskazuje, że zaakceptowano licencję dla kontenera. Wartość tej opcji należy ustawić tak, aby akceptowała.

Aby uzyskać więcej informacji na temat tych opcji, zobacz Konfigurowanie kontenerów.

Podsumowanie

I już! W tym artykule przedstawiono pojęcia i przepływy pracy dotyczące pobierania, instalowania i uruchamiania kontenerów analizy dokumentów. Podsumowując:

Analiza dokumentów udostępnia siedem kontenerów systemu Linux dla platformy Docker.
Obrazy kontenerów są pobierane z mcr.
Obrazy kontenerów są uruchamiane na platformie Docker.
Informacje o rozliczeniach należy określić podczas tworzenia wystąpienia kontenera.

Ważne

Kontenery sztucznej inteligencji platformy Azure nie mają licencji na uruchamianie bez nawiązywania połączenia z platformą Azure na potrzeby pomiaru użytkowania. Klienci muszą umożliwić kontenerom komunikowanie informacji rozliczeniowych z usługą pomiarów przez cały czas. Kontenery sztucznej inteligencji platformy Azure nie wysyłają danych klientów (na przykład obrazu lub tekstu analizowanego) do firmy Microsoft.

Instalowanie i uruchamianie kontenerów

Wymagania wstępne

Wymagania dotyczące komputera hosta

Wymagania i zalecenia dotyczące kontenerów

Wymagane kontenery pomocnicze

Zalecane rdzenie procesora CPU i pamięć

Kontenery analizy dokumentów

Uruchamianie kontenera za pomocą polecenia docker-compose up

Utwórz folder do przechowywania następujących plików

Tworzenie folderu do przechowywania danych wejściowych

Tworzenie folderu do przechowywania dzienników zapisanych przez usługę Document Intelligence na komputerze lokalnym

Tworzenie folderu do przechowywania wewnętrznego przetwarzania udostępnionego między kontenerami

Tworzenie pliku środowiska

Tworzenie pliku nginx

Tworzenie pliku docker compose

Upewnij się, że usługa jest uruchomiona

Trenowanie modelu za pomocą programu Document Intelligence Studio

Trenowanie przy użyciu interfejsu API

Sprawdź, czy usługa jest uruchomiona

Zatrzymywanie kontenerów

Rozliczenia

Łączenie się z platformą Azure

Argumenty rozliczeniowe

Podsumowanie

Następne kroki

Dodatkowe zasoby