Instalación y ejecución de contenedores

A continuación se muestra un ejemplo de docker compose autocontenido para ejecutar el contenedor Diseño de Document Intelligence. Con docker compose, se usa un archivo YAML para configurar los servicios de la aplicación. A continuación, con el comando docker-compose up, se crean e inician todos los servicios de la configuración. Escriba los valores {FORM_RECOGNIZER_ENDPOINT_URI} y {FORM_RECOGNIZER_KEY} para la instancia de contenedor de diseño.

version: "3.9"
services:
  azure-form-recognizer-read:
    container_name: azure-form-recognizer-read
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/read-3.1
    environment:
      - EULA=accept
      - billing={FORM_RECOGNIZER_ENDPOINT_URI}
      - apiKey={FORM_RECOGNIZER_KEY}
    ports:
      - "5000:5000"
    networks:
      - ocrvnet
networks:
  ocrvnet:
    driver: bridge

Ahora, puede iniciar el servicio con el comando docker compose:

docker-compose up

A continuación, se muestra un ejemplo de docker compose autocontenido para ejecutar el contenedor de Documento general de Document Intelligence. Con docker compose, se usa un archivo YAML para configurar los servicios de la aplicación. A continuación, con el comando docker-compose up, se crean e inician todos los servicios de la configuración. Escriba los valores {FORM_RECOGNIZER_ENDPOINT_URI} y {FORM_RECOGNIZER_KEY} para las instancias de contenedor de Documento general y Diseño.

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}

Ahora, puede iniciar el servicio con el comando docker compose:

docker-compose up

Dados los recursos de la máquina, el contenedor Documento general puede tardar algún tiempo en iniciarse.

A continuación se muestra un ejemplo de docker compose autocontenido para ejecutar el contenedor Diseño de Document Intelligence. Con docker compose, se usa un archivo YAML para configurar los servicios de la aplicación. A continuación, con el comando docker-compose up, se crean e inician todos los servicios de la configuración. Escriba los valores {FORM_RECOGNIZER_ENDPOINT_URI} y {FORM_RECOGNIZER_KEY} para la instancia de contenedor de diseño.

version: "3.9"
services:
  azure-form-recognizer-layout:
    container_name: azure-form-recognizer-layout
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/layout-3.1
    environment:
      - EULA=accept
      - billing={FORM_RECOGNIZER_ENDPOINT_URI}
      - apiKey={FORM_RECOGNIZER_KEY}
    ports:
      - "5000:5000"
    networks:
      - ocrvnet
networks:
  ocrvnet:
    driver: bridge

Ahora, puede iniciar el servicio con el comando docker compose:

docker-compose up

A continuación se muestra un ejemplo de docker compose autocontenido para ejecutar el contenedor Factura de Document Intelligence. Con docker compose, se usa un archivo YAML para configurar los servicios de la aplicación. A continuación, con el comando docker-compose up, se crean e inician todos los servicios de la configuración. Escriba los valores {FORM_RECOGNIZER_ENDPOINT_URI} y {FORM_RECOGNIZER_KEY} para las instancias de contenedor de Factura y Diseño.

Debe usar la imagen de diseño de disponibilidad general 3.1 como ascendente para los modelos de factura de disponibilidad general 3.0 y 3.1.

version: "3.9"
services:
  azure-cognitive-service-invoice:
    container_name: azure-cognitive-service-invoice
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/invoice-3.1
    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-3.1
    environment:
        - EULA=accept
        - billing={FORM_RECOGNIZER_ENDPOINT_URI}
        - apiKey={FORM_RECOGNIZER_KEY}

Ahora, puede iniciar el servicio con el comando docker compose:

docker-compose up

A continuación, se muestra un ejemplo de docker compose autocontenido para ejecutar el contenedor de Documento general de Document Intelligence. Con docker compose, se usa un archivo YAML para configurar los servicios de la aplicación. A continuación, con el comando docker-compose up, se crean e inician todos los servicios de la configuración. Escriba los valores {FORM_RECOGNIZER_ENDPOINT_URI} y {FORM_RECOGNIZER_KEY} para las instancias de contenedor de Recibo y Lectura.

Puede usar la imagen de diseño de disponibilidad general 3.1 como una imagen ascendente en lugar de la imagen de lectura.

version: "3.9"
services:
  azure-cognitive-service-receipt:
    container_name: azure-cognitive-service-receipt
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/receipt-3.1
    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-3.1
      environment:
          - EULA=accept
          - billing={FORM_RECOGNIZER_ENDPOINT_URI}
          - apiKey={FORM_RECOGNIZER_KEY}

Ahora, puede iniciar el servicio con el comando docker compose:

docker-compose up

A continuación, se muestra un ejemplo de docker compose autocontenido para ejecutar el contenedor de Documento general de Document Intelligence. Con docker compose, se usa un archivo YAML para configurar los servicios de la aplicación. A continuación, con el comando docker-compose up, se crean e inician todos los servicios de la configuración. Escriba los valores {FORM_RECOGNIZER_ENDPOINT_URI} y {FORM_RECOGNIZER_KEY} para las instancias de contenedor de Identificador y Lectura.

Puede usar la imagen de diseño de disponibilidad general 3.1 como una imagen ascendente en lugar de la imagen de lectura.

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-3.1
      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-3.1
      environment:
          - EULA=accept
          - billing={FORM_RECOGNIZER_ENDPOINT_URI}
          - apiKey={FORM_RECOGNIZER_KEY}

Ahora, puede iniciar el servicio con el comando 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}

Además de los requisitos previos mencionados anteriormente, debe hacer lo siguiente para procesar un documento personalizado:

Creación de una carpeta y almacenamiento de los archivos siguientes

• .env
• nginx.conf
• docker-compose.yml

Creación de una carpeta y almacenamiento de los datos de entrada

• Asigne a esta carpeta el nombre files.
• Hacemos referencia a la ruta de acceso del archivo de esta carpeta como {FILE_MOUNT_PATH}.
• Copie la ruta de acceso del archivo en una ubicación adecuada; debe agregarla al archivo .env. Por ejemplo, si la carpeta se denomina files y está ubicada en la misma carpeta que el archivo docker-compose, la entrada del archivo .env es FILE_MOUNT_PATH="./files"

Cree una carpeta para almacenar los registros escritos por el servicio Document Intelligence en el equipo local

• Asigne a esta carpeta el nombre salida.
• Hacemos referencia a la ruta de acceso del archivo de esta carpeta como {OUTPUT_MOUNT_PATH}.
• Copie la ruta de acceso del archivo en una ubicación adecuada; debe agregarla al archivo .env. Por ejemplo, si la carpeta se denomina output y está ubicada en la misma carpeta que el archivo docker-compose, la entrada del archivo .env es OUTPUT_MOUNT_PATH="./output"

Creación de una carpeta para almacenar el procesamiento interno compartido entre los contenedores

• Asigne a esta carpeta el nombre compartido.
• Hacemos referencia a la ruta de acceso del archivo de esta carpeta como {SHARED_MOUNT_PATH}.
• Copie la ruta de acceso del archivo en una ubicación adecuada; debe agregarla al archivo .env. Por ejemplo, si la carpeta se denomina shared y está ubicada en la misma carpeta que el archivo docker-compose, la entrada del archivo .env es SHARED_MOUNT_PATH="./shared"

Creación de una carpeta para que Studio almacene información relacionada con el proyecto

• Asigne a esta carpeta el nombre db.
• Hacemos referencia a la ruta de acceso del archivo de esta carpeta como {DB_MOUNT_PATH}.
• Copie la ruta de acceso del archivo en una ubicación adecuada; debe agregarla al archivo .env. Por ejemplo, si la carpeta se denomina db y está ubicada en la misma carpeta que el archivo docker-compose, la entrada del archivo .env es DB_MOUNT_PATH="./db"

Creación de un archivo de entorno

1. Asigne a este archivo el nombre .env.

2. Declare las siguientes variables de entorno:

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"

Creación de un archivo nginx

1. Asigne a este archivo el nombre nginx.conf.

2. Escriba la siguiente configuración:

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;
        }
    }
}

Cree un archivo de Docker Compose.

1. Asigne a este archivo el nombre docker-compose.yml.

2. A continuación se muestra un ejemplo de docker compose autocontenido para ejecutar en conjunto los contenedores de plantillas Diseño, Studio y Personalizado de Document Intelligence. Con docker compose, se usa un archivo YAML para configurar los servicios de la aplicación. A continuación, con el comando docker-compose up, se crean e inician todos los servicios de la configuración.

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)

El contenedor de plantillas personalizadas y el contenedor de diseño pueden usar colas de Azure Storage o colas en memoria. Las variables de entorno Storage:ObjectStore:AzureBlob:ConnectionString y queue:azure:connectionstring solo deben establecerse si usa colas de Azure Storage. Cuando se ejecute localmente, elimine estas variables.

Compruebe que el servicio se esté ejecutando.

Para asegurarse de que el servicio está en funcionamiento. Ejecute estos comandos en un shell de Ubuntu.

$cd <folder containing the docker-compose file>

$source .env

$docker-compose up

Los contenedores de plantillas personalizadas requieren algunas configuraciones diferentes y admiten otras configuraciones opcionales.

Uso de Document Intelligence Studio para entrenar un modelo

• Reúna un conjunto de al menos cinco formularios del mismo tipo. Use estos datos para entrenar el modelo y probar un formulario. Puede usar un conjunto de datos de ejemplo (descargue y extraiga sample_data.zip).

• Una vez que pueda confirmar que los contenedores se están ejecutando, abra un explorador y navegue hasta el punto de conexión en el que ha implementado los contenedores. Si esta implementación es la máquina local, el punto de conexión es [http://localhost:5001](http://localhost:5001).

• Seleccione el icono del modelo de extracción personalizado.

• Seleccione la opción Create project.

• Proporcione un nombre de proyecto y, opcionalmente, una descripción

• En el paso "configurar el recurso", proporcione el punto de conexión al modelo de plantilla personalizado. Si implementaste los contenedores en la máquina local, usa esta URL [http://localhost:5000](http://localhost:5000).

• Proporcione una subcarpeta para la ubicación de los datos de entrenamiento dentro de la carpeta files.

• Por último, cree el proyecto

Ahora debería tener un proyecto creado, listo para el etiquetado. Cargue los datos de entrenamiento y empiece a etiquetar. Si no se conoce muy bien el etiquetado, consulte Compilación y entrenamiento de un modelo personalizado.

Uso de la API para entrenar

Si planea llamar a las API directamente para entrenar un modelo, la API de entrenamiento del modelo de plantilla personalizada requiere un archivo ZIP codificado en base64 que sea el contenido del proyecto de etiquetado. Puede omitir los archivos PDF o de imagen y enviar solo los archivos JSON.

Una vez que tenga el conjunto de datos etiquetado y los archivos *.ocr.json, *.labels.json y fields.json agregados a un ZIP, use los comandos de PowerShell para generar la cadena codificada en base64.

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

Use la API del modelo de compilación para publicar la solicitud.

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"
     }
}