Installare ed eseguire i contenitori

L'esempio di codice seguente è un esempio di docker compose autonomo per eseguire il contenitore Layout di Informazioni sui documenti. Con docker compose si usa un file YAML per configurare i servizi dell'applicazione. Con il comando docker-compose up si creano e si avviano quindi 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-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

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

docker-compose up

L'esempio di codice seguente è un esempio di docker compose autonomo per eseguire il contenitore Documento generale di Informazioni sui documenti. Con docker compose si usa un file YAML per configurare i servizi dell'applicazione. Con il comando docker-compose up si creano e si avviano quindi tutti i servizi dalla configurazione. Immettere i valori {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_RECOGNIZER_KEY} per le istanze dei contenitori Documento generale e Layout.

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}

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

docker-compose up

Considerate le risorse nel computer, l'avvio del contenitore Documento generale potrebbe richiedere del tempo.

L'esempio di codice seguente è un esempio di docker compose autonomo per eseguire il contenitore Layout di Informazioni sui documenti. Con docker compose si usa un file YAML per configurare i servizi dell'applicazione. Con il comando docker-compose up si creano e si avviano quindi 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-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

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

docker-compose up

L'esempio di codice seguente è un esempio di docker compose autonomo per eseguire il contenitore della fattura di Informazioni sui documenti. Con docker compose si usa un file YAML per configurare i servizi dell'applicazione. Con il comando docker-compose up si creano e si avviano quindi tutti i servizi dalla configurazione. Immettere i valori {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_RECOGNIZER_KEY} per le istanze dei contenitori Fattura e Layout.

È necessario usare l'immagine di layout di disponibilità generale 3.1 come upstream per i modelli di fattura GA 3.0 e GA 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}

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

docker-compose up

L'esempio di codice seguente è un esempio di docker compose autonomo per eseguire il contenitore Documento generale di Informazioni sui documenti. Con docker compose si usa un file YAML per configurare i servizi dell'applicazione. Con il comando docker-compose up si creano e si avviano quindi tutti i servizi dalla configurazione. Immettere i valori {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_RECOGNIZER_KEY} per le istanze dei contenitori Ricevuta e Lettura.

È possibile usare l'immagine layout GA 3.1 come upstream anziché come immagine di lettura.

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}

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

docker-compose up

L'esempio di codice seguente è un esempio di docker compose autonomo per eseguire il contenitore Documento generale di Informazioni sui documenti. Con docker compose si usa un file YAML per configurare i servizi dell'applicazione. Con il comando docker-compose up si creano e si avviano quindi tutti i servizi dalla configurazione. Immettere i valori {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_RECOGNIZER_KEY} per le istanze dei contenitori Documento di identità e Lettura.

È possibile usare l'immagine layout GA 3.1 come upstream anziché come immagine di lettura.

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}

A questo punto è possibile avviare il servizio con il 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}

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

Creare una cartella e archiviare i file seguenti

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

Creare una cartella e archiviare i dati di input

• Assegnare alla cartella il nome files.
• Si fa riferimento al percorso file per questa cartella come {FILE_MOUNT_PATH}.
• Copiare il percorso file in una posizione comoda. È necessario aggiungerlo al file con estensione env. Ad esempio, se la cartella è denominata files e si trova nella stessa cartella del file docker-compose, la voce del file con estensione env è FILE_MOUNT_PATH="./files"

Creare una cartella per archiviare i log scritti dal servizio Informazioni sui documenti nel computer locale

• Assegnare alla cartella il nome output.
• Si fa riferimento al percorso file per questa cartella come {OUTPUT_MOUNT_PATH}.
• Copiare il percorso file in una posizione comoda. È necessario aggiungerlo al file con estensione env. Ad esempio, se la cartella è denominata output e si trova nella stessa cartella del file docker-compose, la voce del file con estensione env è OUTPUT_MOUNT_PATH="./output"

Creare una cartella per archiviare l'elaborazione interna condivisa tra i contenitori

• Assegnare alla cartella il nome shared.
• Si fa riferimento al percorso file per questa cartella come {SHARED_MOUNT_PATH}.
• Copiare il percorso file in una posizione comoda. È necessario aggiungerlo al file con estensione env. Ad esempio, se la cartella è denominata condivisa e si trova nella stessa cartella del file docker-compose, la voce del file con estensione env è SHARED_MOUNT_PATH="./shared"

Creare una cartella per Studio per archiviare le informazioni correlate al progetto

• Assegnare alla cartella il nome db.
• Si fa riferimento al percorso file per questa cartella come {DB_MOUNT_PATH}.
• Copiare il percorso file in una posizione comoda. È necessario aggiungerlo al file con estensione env. Ad esempio, se la cartella è denominata db e si trova nella stessa cartella del file docker-compose, la voce del file con estensione env è DB_MOUNT_PATH="./db"

Creare un file di ambiente

1. Assegnare al file il nome con estensione env.

2. Dichiarare le variabili di ambiente seguenti:

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"

Creare un file nginx

1. Assegnare al file il nome nginx.conf.

2. Immettere la configurazione seguente:

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;
        }
    }
}

Creare un file docker compose

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

2. L'esempio di codice seguente è un esempio di docker compose autonomo per eseguire insieme contenitori di modelli di Layout di Informazioni sui documenti, Studio e Personalizzato. Con docker compose si usa un file YAML per configurare i servizi dell'applicazione. Con il comando docker-compose up si creano e si avviano quindi 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"
  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)

Il contenitore modello personalizzato e il contenitore Layout possono usare code di Archiviazione di Azure o code in memoria. Le variabili di ambiente Storage:ObjectStore:AzureBlob:ConnectionString e queue:azure:connectionstring devono essere impostate solo se si usano code di Archiviazione di Azure. In caso di esecuzione in locale, eliminare queste variabili.

Assicurarsi che il servizio sia in esecuzione

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

$cd <folder containing the docker-compose file>

$source .env

$docker-compose up

I contenitori di modelli personalizzati richiedono alcune configurazioni diverse e supportano altre configurazioni facoltative.

Usare Document Intelligence Studio per eseguire il training di un modello

• Raccogliere un set di almeno cinque moduli dello stesso tipo. Questi dati vengono usati per eseguire il training del modello e testare un modulo. È possibile usare un set di dati di esempio (scaricare ed estrarre il file sample_data.zip).

• Dopo aver verificato che i contenitori siano in esecuzione, aprire un browser e passare all'endpoint in cui sono stati distribuiti i contenitori. Se questa distribuzione è il computer locale, l'endpoint è [http://localhost:5001](http://localhost:5001).

• Selezionare il riquadro del modello di estrazione personalizzato.

• Selezionare l'opzione Create project.

• Specificare un nome di progetto e facoltativamente una descrizione

• Nel passaggio "Configura la risorsa" specificare l'endpoint per il modello personalizzato. Se i contenitori sono stati distribuiti nel computer locale, usare questo URL [http://localhost:5000](http://localhost:5000).

• Specificare una sottocartella per la posizione dei dati di training all'interno della cartella dei file.

• Creare infine il progetto

A questo punto dovrebbe essere stato creato un progetto, pronto per l'etichettatura. Caricare i dati di training e iniziare a etichettare. Se non si ha familiarità con l'etichettatura, vedere Compilare ed eseguire il training di un modello personalizzato.

Uso dell'API per il training

Se si prevede di chiamare direttamente le API per eseguire il training di un modello, l'API di training del modello personalizzato richiede un file ZIP con codifica Base64 che corrisponde al contenuto del progetto di etichettatura. È possibile omettere i file PDF o di immagine e inviare solo i file JSON.

Dopo aver etichettato il set di dati e avere aggiunto i file *.ocr.json, *.labels.json e fields.json a un file ZIP, usare i comandi di PowerShell per generare la stringa con codifica Base64.

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

Usare l'API del modello di compilazione per pubblicare la richiesta.

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"
     }
}