Instalar e executar contêineres

O código de exemplo a seguir é um exemplo independente docker compose para executar o contêiner de Layout de Informação de Documentos. Com docker compose, um arquivo YAML é usado para configurar os serviços do aplicativo. Em seguida, você cria e inicia todos os serviços com base na sua configuração com o comando docker-compose up. Insira os valores DE {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_recognizer_KEY} na sua instância de contêiner de 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

Agora, você pode iniciar o serviço com o comando docker compose:

docker-compose up

O código de exemplo a seguir é um exemplo independente docker compose para executar o contêiner de Documentos Gerais da Informação de Documentos. Com docker compose, um arquivo YAML é usado para configurar os serviços do aplicativo. Em seguida, você cria e inicia todos os serviços com base na sua configuração com o comando docker-compose up. Insira os valores {FORM_recognizer_ENDPOINT_URI} e {FORM_RECOGNIZER_KEY} nas suas instâncias de contêiner de Documento Geral 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}

Agora, você pode iniciar o serviço com o comando docker compose:

docker-compose up

Dados os recursos na computador, o contêiner de Documento Geral pode levar algum tempo para inicializar.

O código de exemplo a seguir é um exemplo independente docker compose para executar o contêiner de Layout de Informação de Documentos. Com docker compose, um arquivo YAML é usado para configurar os serviços do aplicativo. Em seguida, você cria e inicia todos os serviços com base na sua configuração com o comando docker-compose up. Insira os valores DE {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_recognizer_KEY} na sua instância de contêiner de 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

Agora, você pode iniciar o serviço com o comando docker compose:

docker-compose up

O código de exemplo a seguir é um exemplo independente docker compose para executar o contêiner de Fatura da Informação de Documentos. Com docker compose, um arquivo YAML é usado para configurar os serviços do aplicativo. Em seguida, você cria e inicia todos os serviços com base na sua configuração com o comando docker-compose up. Insira os valores DE {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_recognizer_KEY} nas suas instâncias de contêiner de Fatura e Layout.

Você deve usar a imagem de Layout em GA 3.1 como um upstream para modelos de fatura em GA 3.0 e 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}

Agora, você pode iniciar o serviço com o comando docker compose:

docker-compose up

O código de exemplo a seguir é um exemplo independente docker compose para executar o contêiner de Documentos Gerais da Informação de Documentos. Com docker compose, um arquivo YAML é usado para configurar os serviços do aplicativo. Em seguida, você cria e inicia todos os serviços com base na sua configuração com o comando docker-compose up. Insira os valores {FORM_recognizer_ENDPOINT_URI} e {FORM_RECOGNIZER_KEY} nas suas instâncias de contêiner de Recebimento e Leitura.

Você pode usar a imagem de Layout em GA 3.1 como um upstream em vez de imagem de leitura.

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}

Agora, você pode iniciar o serviço com o comando docker compose:

docker-compose up

O código de exemplo a seguir é um exemplo independente docker compose para executar o contêiner de Documentos Gerais da Informação de Documentos. Com docker compose, um arquivo YAML é usado para configurar os serviços do aplicativo. Em seguida, você cria e inicia todos os serviços com base na sua configuração com o comando docker-compose up. Insira os valores DE {FORM_RECOGNIZER_ENDPOINT_URI} e {FORM_recognizer_KEY} nas suas Instâncias de contêiner de Identificação e Leitura.

Você pode usar a imagem de Layout em GA 3.1 como um upstream em vez de imagem de leitura.

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}

Agora, você pode iniciar o serviço com o 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}

Além dos pré-requisitos, é necessário fazer o seguinte para processar um documento personalizado:

Criar uma pasta e armazenar os seguintes arquivos

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

Criar uma pasta e armazenar os dados de entrada

• Nomeie esta pasta como arquivos.
• Fazemos referência ao caminho do arquivo para essa pasta como {FILE_MOUNT_PATH}.
• Copie o caminho do arquivo em um local conveniente, você precisa adicioná-lo ao seu arquivo .env. Como exemplo, se a pasta for chamada de arquivos, localizada na mesma pasta do arquivo docker-compose, a entrada do arquivo .env será FILE_MOUNT_PATH="./files"

Crie uma pasta para armazenar os logs gravados pelo serviço de Informação de Documentos no seu computador local

• Nomeie esta pasta como saída.
• Referenciamos o caminho do arquivo para esta pasta como {OUTPUT_MOUNT_PATH}.
• Copie o caminho do arquivo em um local conveniente, você precisa adicioná-lo ao seu arquivo .env. Como exemplo, se a pasta for chamada de saída, localizada na mesma pasta do arquivo docker-compose, a entrada do arquivo .env será OUTPUT_MOUNT_PATH="./output"

Criar uma pasta para armazenar o processamento interno compartilhado entre contêineres

• Nomeie esta pasta como compartilhada.
• Referenciamos o caminho do arquivo para esta pasta como {SHARED_MOUNT_PATH}.
• Copie o caminho do arquivo em um local conveniente, você precisa adicioná-lo ao seu arquivo .env. Como exemplo, se a pasta for chamada de compartilhada, localizada na mesma pasta do arquivo docker-compose, a entrada do arquivo .env será SHARED_MOUNT_PATH="./shared"

Crie uma pasta para o Estúdio armazenar as informações relacionadas ao projeto

• Nomeie esta pasta db.
• Fazemos referência ao caminho do arquivo para esta pasta como {DB_MOUNT_PATH}.
• Copie o caminho do arquivo em um local conveniente, você precisa adicioná-lo ao seu arquivo .env. Como exemplo, se a pasta for chamada de banco de dados, localizada na mesma pasta do arquivo docker-compose, a entrada do arquivo .env será DB_MOUNT_PATH="./db"

Criar um arquivo de ambiente

1. Nomeie este arquivo .env.

2. Declare estas variáveis de ambiente:

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"

Criar um arquivo nginx

1. Nomeie esse arquivo nginx.conf.

2. Use a seguinte configuração:

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;
        }
    }
}

Criar um arquivo docker compose

1. Nomeie esse arquivo como docker-compose.yml

2. O código de exemplo a seguir é um exemplo do docker compose autônomo para executar os contêineres de modelos de Layout de Informação de Documentos, Estúdio e Personalizado juntos. Com docker compose, um arquivo YAML é usado para configurar os serviços do aplicativo. Em seguida, você cria e inicia todos os serviços com base na sua configuração com o comando docker-compose up.

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)

O contêiner de modelo personalizado e o contêiner de layout podem usar as filas de Armazenamento do Microsoft Azure ou em filas de memória. As variáveis de ambiente Storage:ObjectStore:AzureBlob:ConnectionString e queue:azure:connectionstring só precisam ser definidas se você estiver usando as filas de Armazenamento do Microsoft Azure. Ao executar localmente, exclua essas variáveis.

Certifique-se que o serviço esteja em execução

Para garantir que o serviço está em execução. Execute esses comandos em um shell do Ubuntu.

$cd <folder containing the docker-compose file>

$source .env

$docker-compose up

Os contêineres de modelo personalizados exigem algumas configurações diferentes e dão suporte a outras configurações opcionais.

Utilize o Estúdio de Informação de Documentos para treinar um modelo

• Reúna um conjunto de pelo menos cinco formas do mesmo tipo. Você usará esses dados para treinar o modelo e testar um formulário. Você usar um conjunto de dados de exemplo (baixar e extrair sample_data.zip).

• Uma vez confirmado que os contêineres estão em execução, abra um navegador e navegue até o ponto de extremidade em que os contêineres estão implantados. Se esta implantação for seu computador local, o ponto de extremidade será [http://localhost:5001](http://localhost:5001).

• Selecione o bloco do modelo de extração personalizada.

• Selecione a opção Create project.

• Forneça um nome de projeto e, opcionalmente, uma descrição

• Na etapa "configurar seu recurso", forneça o ponto de extremidade para seu modelo de modelo personalizado. Se tiver implantado os contêineres no seu computador local, utilize esta URL [http://localhost:5000](http://localhost:5000).

• Forneça uma subpasta na qual os dados de treinamento estejam localizados na pasta de arquivos.

• Finalmente, crie o projeto

Neste momento, você deve ter um projeto criado, pronto para rotulagem. Faça upload de seus dados de treinamento e comece a rotular. Se você é novo na rotulagem, consulte criar e treinar um modelo personalizado.

Usando a API para treinar

Se você planeja chamar as APIs diretamente para treinar um modelo, a API de treinamento de modelo do modelo personalizado requer um arquivo ZIP codificado em base64 que é o conteúdo do seu projeto de rotulagem. Você pode omitir os arquivos PDF ou de imagem e enviar somente os arquivos JSON.

Depois de ter seu conjunto de dados rotulado e arquivos * .ocr.json, * .labels.json e fields.json adicionados a um ZIP, use os comandos do PowerShell para gerar a cadeia de caracteres codificada em base64.

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

Use a API do modelo de compilação para postar a solicitação.

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"
     }
}