Model čtení funkce Document Intelligence
Důležité
- Verze Document Intelligence ve verzi Public Preview poskytují dřívější přístup k funkcím, které jsou aktivní ve vývoji.
- Funkce, přístupy a procesy se můžou před obecnou dostupností (GA) změnit na základě zpětné vazby uživatelů.
- Verze Public Preview klientských knihoven Document Intelligence ve výchozím nastavení je rest API verze 2024-02-29-preview.
- Verze Public Preview 2024-02-29-preview je aktuálně dostupná jenom v následujících oblastech Azure:
- USA – východ
- USA – západ 2
- Západní Evropa
Tento obsah se vztahuje na: v4.0 (Preview) | Předchozí verze: v3.1 (GA) v3.0 (GA)
Tento obsah se vztahuje na: v3.1 (GA) | Nejnovější verze: v4.0 (Preview) | Předchozí verze: v3.0
Tento obsah se vztahuje na: v3.0 (GA) | Nejnovější verze: v4.0 (Preview) v3.1
Poznámka:
Pokud chcete extrahovat text z externích obrázků, jako jsou popisky, znaky ulice a plakáty, použijte funkci Analýzy obrázků Azure AI v4.0 optimalizovanou pro obecné obrázky bez dokumentu s vylepšeným synchronním rozhraním API s výkonem, které usnadňuje vkládání OCR do scénářů uživatelského prostředí.
Model OCR (Document Intelligence Read Optické rozpoznávání znaků) běží s vyšším rozlišením než Azure AI Vision Read a extrahuje tisk a rukou psaný text z dokumentů PDF a naskenovaných obrázků. Obsahuje také podporu pro extrahování textu z dokumentů Microsoft Wordu, Excelu, PowerPointu a HTML. Rozpozná odstavce, řádky textu, slova, umístění a jazyky. Model pro čtení je podkladovým modulem OCR pro další předem vytvořené modely document intelligence, jako jsou rozložení, obecný dokument, faktura, potvrzení, dokument identity (ID), karta zdravotní pojištění, W2 kromě vlastních modelů.
Co je OCR pro dokumenty?
Optické rozpoznávání znaků (OCR) pro dokumenty je optimalizované pro velké textové dokumenty ve více formátech souborů a globálních jazycích. Obsahuje funkce, jako je skenování obrázků dokumentů s vyšším rozlišením pro lepší zpracování menšího a zhuštěného textu; detekce odstavce; a správu vyplnitelných formulářů. Funkce OCR také zahrnují pokročilé scénáře, jako jsou pole s jedním znakem a přesná extrakce klíčových polí běžně zjištěných v fakturách, účtech a dalších předem připravených scénářích.
Možnosti vývoje
Document Intelligence v4.0 (2024-02-02-29-preview, 2023-10-31-preview) podporuje následující nástroje, aplikace a knihovny:
Funkce | Zdroje informací | ID modelu |
---|---|---|
Čtení modelu OCR | • Document Intelligence Studio • REST API • C# SDK • Python SDK• Java SDK • JavaScript SDK• JavaScript SDK |
předem připravená čtení |
Document Intelligence v3.1 podporuje následující nástroje, aplikace a knihovny:
Funkce | Zdroje informací | ID modelu |
---|---|---|
Čtení modelu OCR | • Document Intelligence Studio • REST API • C# SDK • Python SDK• Java SDK • JavaScript SDK• JavaScript SDK |
předem připravená čtení |
Document Intelligence v3.0 podporuje následující nástroje, aplikace a knihovny:
Funkce | Zdroje informací | ID modelu |
---|---|---|
Čtení modelu OCR | • Document Intelligence Studio • REST API • C# SDK • Python SDK• Java SDK • JavaScript SDK• JavaScript SDK |
předem připravená čtení |
Požadavky na vstup
Nejlepšíchvýsledkůch
Podporované formáty souborů:
Model PDF Obrázek:
JPEG/JPG, PNG, BMP, TIFF, HEIFsystém Microsoft Office:
Word (DOCX), Excel (XLSX), PowerPoint (PPTX) a HTMLČteno ✔ ✔ ✔ Rozložení ✔ ✔ ✔ (2024-02-29-preview, 2023-10-31-preview) Obecný dokument ✔ ✔ Předpřipravený ✔ ✔ Vlastní extrakce ✔ ✔ Vlastní klasifikace ✔ ✔ ✔ (29. 2024. 2024) U SOUBORŮ PDF a TIFF je možné zpracovat až 2000 stránek (s předplatným úrovně Free se zpracovávají pouze první dvě stránky).
Velikost souboru pro analýzu dokumentů je 500 MB pro placenou úroveň (S0) a 4 MB pro bezplatnou úroveň (F0).
Rozměry obrázku musí být mezi 50 x 50 pixelů a 10 000 px x 10 000 pixelů.
Pokud jsou soubory PDF uzamčené heslem, musíte před odesláním toto uzamčení odebrat.
Minimální výška extrahovaného textu je 12 pixelů pro obrázek o velikosti 1024 x 768 pixelů. Tato dimenze odpovídá
8
150 bodům na palec (DPI).Pro trénování vlastního modelu je maximální počet stránek pro trénovací data 500 pro vlastní model šablony a 50 000 pro vlastní neurální model.
Pro trénování vlastního modelu extrakce je celková velikost trénovacích dat 50 MB pro model šablony a 1G MB pro neurální model.
Pro trénování modelu vlastní klasifikace je
1GB
celková velikost trénovacích dat s maximálně 10 000 stránkami.
Začínáme s modelem čtení
Zkuste extrahovat text z formulářů a dokumentů pomocí nástroje Document Intelligence Studio. Potřebujete následující prostředky:
Předplatné Azure – můžete si ho zdarma vytvořit.
Instance Document Intelligence na webu Azure Portal K vyzkoušení služby můžete použít cenovou úroveň Free (
F0
). Po nasazení prostředku vyberte Přejít k prostředku a získejte klíč a koncový bod.
Poznámka:
Sada Document Intelligence Studio v současné době nepodporuje formáty souborů Microsoft Wordu, Excelu, PowerPointu a HTML.
Ukázkový dokument zpracovaný pomocí nástroje Document Intelligence Studio
Na domovské stránce nástroje Document Intelligence Studio vyberte Číst.
Můžete analyzovat ukázkový dokument nebo nahrát vlastní soubory.
Vyberte tlačítko Spustit analýzu a v případě potřeby nakonfigurujte možnosti Analyzovat:
Podporované jazyky a národní prostředí
Úplný seznam podporovaných jazyků najdete na stránce s modely analýzy dokumentů.
Extrakce dat
Poznámka:
Soubor Microsoft Word a HTML jsou podporovány ve verzi 3.1 a novějších verzích. Ve srovnání s PDF a obrázky nejsou podporovány následující funkce:
- Každý objekt stránky neobsahuje žádný úhel, šířku/výšku a jednotku.
- Pro každý zjištěný objekt neexistuje žádná ohraničení mnohoúhelníku ani ohraničující oblasti.
- Rozsah stránek (
pages
) není podporován jako parametr. - Žádný
lines
objekt.
Stránky
Kolekce stránek je seznam stránek v dokumentu. Každá stránka je v dokumentu reprezentována postupně a zahrnuje úhel orientace označující, jestli je stránka otočena, a šířku a výšku (rozměry v pixelech). Jednotky stránky ve výstupu modelu se počítají, jak je znázorněno níže:
Formát souboru | Vypočítaná jednotka stránky | Celkový počet stránek |
---|---|---|
Obrázky (JPEG/JPG, PNG, BMP, HEIF) | Každý obrázek = 1 jednotka stránky | Celkový počet obrázků |
Každá stránka v PDF = 1 jednotka stránky | Total pages in the PDF | |
TIFF | Každý obrázek v jednotce TIFF = 1 stránka | Celkový počet obrázků ve formátu TIFF |
Word (DOCX) | Až 3 000 znaků = 1 jednotka stránky, vložené nebo propojené obrázky nejsou podporovány. | Celkový počet stránek až 3 000 znaků |
Excel (XLSX) | Každý list = 1 jednotka stránky, vložené nebo propojené obrázky nejsou podporovány. | Celkový počet listů |
PowerPoint (PPTX) | Každý snímek = 1 jednotka stránky, vložené nebo propojené obrázky se nepodporují. | Celkový počet snímků |
HTML | Až 3 000 znaků = 1 jednotka stránky, vložené nebo propojené obrázky nejsou podporovány. | Celkový počet stránek až 3 000 znaků |
"pages": [
{
"pageNumber": 1,
"angle": 0,
"width": 915,
"height": 1190,
"unit": "pixel",
"words": [],
"lines": [],
"spans": []
}
]
# Analyze pages.
for page in result.pages:
print(f"----Analyzing document from page #{page.page_number}----")
print(
f"Page has width: {page.width} and height: {page.height}, measured with unit: {page.unit}"
)
# Analyze pages.
for page in result.pages:
print(f"----Analyzing document from page #{page.page_number}----")
print(f"Page has width: {page.width} and height: {page.height}, measured with unit: {page.unit}")
Výběr stránek pro extrakci textu
U velkých vícestrákových dokumentů PDF použijte pages
parametr dotazu k označení konkrétních čísel stránek nebo rozsahů stránek pro extrakci textu.
Odstavce
Model Read OCR v document Intelligence extrahuje všechny identifikované bloky textu v paragraphs
kolekci jako objekt nejvyšší úrovně v části analyzeResults
. Každá položka v této kolekci představuje blok textu a zahrnuje extrahovaný text jakocontent
a ohraničující polygon
souřadnice. Informace span
ukazují na fragment textu v rámci vlastnosti nejvyšší úrovně content
, která obsahuje celý text z dokumentu.
"paragraphs": [
{
"spans": [],
"boundingRegions": [],
"content": "While healthcare is still in the early stages of its Al journey, we are seeing pharmaceutical and other life sciences organizations making major investments in Al and related technologies.\" TOM LAWRY | National Director for Al, Health and Life Sciences | Microsoft"
}
]
Text, řádky a slova
Model Read OCR extrahuje text tištěného a rukou psaného stylu jako lines
a words
. Model vypíše ohraničující polygon
souřadnice a confidence
pro extrahovaná slova. Kolekce styles
obsahuje všechny ručně psané styly čar, pokud jsou zjištěny spolu s rozsahy odkazujícími na přidružený text. Tato funkce se vztahuje na podporované ručně psané jazyky.
V případě Microsoft Wordu, Excelu, PowerPointu a HTML extrahuje model Document Intelligence Read v3.1 a novější verze veškerý vložený text tak, jak je. Texty jsou extenzované jako slova a odstavce. Vložené obrázky nejsou podporované.
"words": [
{
"content": "While",
"polygon": [],
"confidence": 0.997,
"span": {}
},
],
"lines": [
{
"content": "While healthcare is still in the early stages of its Al journey, we",
"polygon": [],
"spans": [],
}
]
# Analyze lines.
for line_idx, line in enumerate(page.lines):
words = line.get_words()
print(
f"...Line # {line_idx} has {len(words)} words and text '{line.content}' within bounding polygon '{format_polygon(line.polygon)}'"
)
# Analyze words.
for word in words:
print(
f"......Word '{word.content}' has a confidence of {word.confidence}"
)
# Analyze lines.
if page.lines:
for line_idx, line in enumerate(page.lines):
words = get_words(page, line)
print(
f"...Line # {line_idx} has {len(words)} words and text '{line.content}' within bounding polygon '{line.polygon}'"
)
# Analyze words.
for word in words:
print(f"......Word '{word.content}' has a confidence of {word.confidence}")
Ručně psaný styl pro řádky textu
Odpověď zahrnuje klasifikaci, jestli je každý řádek textu ve stylu rukopisu nebo ne, spolu se skóre spolehlivosti. Další informace najdete v tématu podpora rukou psaného jazyka. Následující příklad ukazuje příklad fragmentu kódu JSON.
"styles": [
{
"confidence": 0.95,
"spans": [
{
"offset": 509,
"length": 24
}
"isHandwritten": true
]
}
Pokud jste povolili funkci doplňku font/style, získáte také výsledek písma a stylu jako součást objektustyles
.
Další kroky
Dokončení rychlého startu pro funkci Document Intelligence:
Prozkoumejte naše rozhraní REST API:
Další ukázky najdete na GitHubu:
Další ukázky najdete na GitHubu:
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro