Instalace a spuštění kontejnerů

Tento obsah se vztahuje na:v3.0 (GA)v3.1 (GA)v4.0 (GA)

Azure AI Document Intelligence je služba Azure AI, která umožňuje vytvářet automatizovaný software pro zpracování dat pomocí technologie strojového učení. Funkce Document Intelligence umožňuje identifikovat a extrahovat text, páry klíč/hodnota, značky výběru, data tabulky a další informace z dokumentů. Výsledky se doručují jako strukturovaná data, která .. /obsahuje relace v původním souboru. Kontejnery zpracovávají pouze data poskytnutá jim a využívají pouze prostředky, ke kterým mají přístup. Kontejnery nemůžou zpracovávat data z jiných oblastí.

V tomto článku se dozvíte, jak stahovat, instalovat a spouštět kontejnery Document Intelligence. Kontejnery umožňují spustit službu Document Intelligence ve vlastním prostředí. Kontejnery jsou skvělé pro splnění určitých požadavků na zabezpečení a zásady správného řízení dat.

• Model pro čtení, rozložení je podporován kontejnery Document Intelligence verze 4.0.

• Čtení, Rozložení, Dokument ID, Příjemka, a Faktura modely jsou podporovány kontejnery Document Intelligence verze 3.1.

• Kontejnery Document Intelligence v3.0 podporují čtení, rozložení, obecný dokument, vizitku a vlastní modely.

Podpora verzí

Podpora kontejnerů je aktuálně dostupná s verzí v3.0: 2022-08-31 (GA) Document Intelligence pro všechny modely, v3.1 2023-07-31 (GA) pro čtení, rozložení, dokument ID, potvrzení a modely faktur a v4.0 2024-11-30 (GA) pro čtení a rozložení:

• REST APIv3.0: 2022-08-31 (GA)
• REST APIv3.1: 2023-07-31 (GA)
• REST APIv4.0: 2024-11-30 (GA)
• Knihovny určené pro klienty REST API v3.0: 2022-08-31 (GA)
• Knihovny určené pro klienty REST API v3.1: 2023-07-31 (GA)
• Knihovny určené pro klienty REST API v4.0: 2024-11-30 (GA)

Požadavky

Abyste mohli začít, potřebujete aktivní účet Azure. Pokud žádné nemáte, můžete si vytvořit bezplatný účet.

K používání kontejnerů Document Intelligence potřebujete také následující:

Požaduje se	Účel
Znalost Dockeru	Měli byste mít základní znalosti konceptů Dockeru, jako jsou registry, úložiště, kontejnery a image kontejnerů, a také znalosti základní dockerterminologie a příkazů.
Nainstalovaný modul Dockeru	Potřebujete nainstalovaný Modul Dockeru na hostitelském počítači. Docker poskytuje balíčky, které nakonfigurují prostředí Dockeru v systému macOS, Windows a Linux. Základní informace o Dockeru a kontejnerech najdete v článku Docker Overview (Přehled Dockeru). Docker musí být nakonfigurovaný tak, aby se kontejnery mohly připojit a odesílat fakturační data do Azure. Ve Windows musí být Docker také nakonfigurovaný tak, aby podporoval kontejnery Linuxu .
Prostředek Document Intelligence	Jednoúčelový prostředek Azure AI Document Intelligence nebo víceslužbový prostředek na webu Azure Portal. Pokud chcete kontejnery používat, musíte mít přidružený klíč a identifikátor URI koncového bodu. Obě hodnoty jsou k dispozici na portálu Azure na stránce Document Intelligence Klíče a koncový bod: {FORM_RECOGNIZER_KEY}: jeden ze dvou dostupných klíčů prostředků. {FORM_RECOGNIZER_ENDPOINT_URI}: koncový bod prostředku použitého ke sledování fakturačních údajů.

Volitelné	Účel
Azure CLI (rozhraní příkazového řádku)	Azure CLI umožňuje používat sadu online příkazů k vytváření a správě prostředků Azure. Je k dispozici pro instalaci v prostředích s Windows, macOS a Linuxem a dá se spouštět v kontejneru Dockeru a v Azure Cloud Shellu.

Požadavky na hostitelský počítač

Hostitel je počítač založený na platformě x64, na kterém běží kontejner Dockeru. Může to být počítač v místním prostředí nebo hostitelská služba Dockeru v Azure, například:

• Služba Azure Kubernetes.
• Azure Container Instances.
• Cluster Kubernetes nasazený do služby Azure Stack. Další informace najdete v tématu Nasazení Kubernetes do služby Azure Stack.

Poznámka:

Kontejner Studio nejde nasadit a spustit ve službě Azure Kubernetes Service. Kontejner Studio se podporuje jenom pro spouštění na místních počítačích.

Požadavky na kontejnery a doporučení

Požadované podpůrné kontejnery

Následující tabulka uvádí jeden nebo více podpůrných kontejnerů pro každý kontejner Document Intelligence, který stáhnete. Další informace najdete v části Fakturace .

Kontejner funkcí	Podpůrné kontejnery
Přečíst	Nepovinné
Rozložení	Nepovinné
Vizitka	Přečíst
Obecný dokument	Rozložení
Faktura	Rozložení
Účtenka	Čtení nebo rozložení
ID dokument	Přečíst
Vlastní šablona	Rozložení

Doporučená jádra procesoru a paměť

Poznámka:

Minimální a doporučené hodnoty jsou založené na limitech Dockeru, nikoli na prostředcích hostitelského počítače.

Kontejnery pro analýzu dokumentů

Kontejner	Minimální	Doporučeno
Read	8 jádra, 10 GB paměti	8 jádra, 24 GB paměti
Layout	8 jádra, 16 GB paměti	8 jádra, 24 GB paměti
Business Card	8 jádra, 16 GB paměti	8 jádra, 24 GB paměti
General Document	8 jádra, 12 GB paměti	8 jádra, 24 GB paměti
ID Document	8 jádra, 8 GB paměti	8 jádra, 24 GB paměti
Invoice	8 jádra, 16 GB paměti	8 jádra, 24 GB paměti
Receipt	8 jádra, 11 GB paměti	8 jádra, 24 GB paměti
Custom Template	8 jádra, 16 GB paměti	8 jádra, 24 GB paměti

• Každé jádro musí mít alespoň 2,6 gigahertz (GHz) nebo rychlejší.
• Jádro a paměť odpovídají --cpus nastavením, --memory které se používají jako součást docker compose příkazu nebo docker run příkazu.

Návod

K výpisu stažených imagí kontejnerů můžete použít příkaz docker images . Následující příkaz například vypíše ID, úložiště a značku každé stažené image kontejneru, která je formátovaná jako tabulka:

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

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

Spuštění kontejneru pomocí příkazu docker-compose up

• Nahraďte hodnoty {ENDPOINT_URI} a {API_KEY} identifikátorem URI koncového bodu prostředku a klíčem ze stránky prostředku Azure.

  

• Ujistěte se, že je hodnota nastavená EULA na přijetí.

• Hodnota EULAa BillingApiKey hodnoty musí být zadány. V opačném případě nelze kontejner spustit.

Důležité

Klíče se používají pro přístup k vašemu prostředku Document Intelligence. Nesdílejte klíče. Ukládejte je bezpečně, například pomocí služby Azure Key Vault. Doporučujeme je také pravidelně obnovovat. K volání rozhraní API je nutný jenom jeden klíč. Během obnovování prvního klíče můžete pro nepřerušený přístup ke službě použít druhý klíč.

Rozložení

Následující ukázka kódu je samostatný docker compose příklad pro spuštění kontejneru Document Intelligence Layout. Pomocí docker compose souboru YAML nakonfigurujete služby vaší aplikace. Pak pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace. Zadejte hodnoty {FORM_RECOGNIZER_ENDPOINT_URI} a {FORM_RECOGNIZER_KEY} pro instanci kontejneru 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-4.0
    environment:
      - EULA=accept
      - billing={FORM_RECOGNIZER_ENDPOINT_URI}
      - apiKey={FORM_RECOGNIZER_KEY}
    ports:
      - "5000:5000"
    networks:
      - ocrvnet
networks:
  ocrvnet:
    driver: bridge

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

Přečíst

Následující ukázka kódu je samostatný docker compose příklad pro spuštění kontejneru Document Intelligence Layout. Pomocí docker compose souboru YAML nakonfigurujete služby vaší aplikace. Potom pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace. Zadejte hodnoty {FORM_RECOGNIZER_ENDPOINT_URI} a {FORM_RECOGNIZER_KEY} pro instanci kontejneru 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-4.0
    environment:
      - EULA=accept
      - billing={FORM_RECOGNIZER_ENDPOINT_URI}
      - apiKey={FORM_RECOGNIZER_KEY}
    ports:
      - "5000:5000"
    networks:
      - ocrvnet
networks:
  ocrvnet:
    driver: bridge

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

Obecný dokument

Následující ukázka kódu je samostatný docker compose příklad pro spuštění kontejneru Document Intelligence General Document. Pomocí docker compose souboru YAML nakonfigurujete služby vaší aplikace. Pak pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace. Zadejte hodnoty {FORM_RECOGNIZER_ENDPOINT_URI} a {FORM_RECOGNIZER_KEY} pro instance kontejneru Obecné dokumenty a rozložení.

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}

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

Vzhledem k prostředkům na počítači může spuštění kontejneru Obecné dokumenty nějakou dobu trvat.

Faktura

Následující ukázka kódu je samostatný docker compose příklad pro spuštění kontejneru Document Intelligence Invoice. Pomocí docker compose souboru YAML nakonfigurujete služby vaší aplikace. Pak pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace. Zadejte hodnoty {FORM_RECOGNIZER_ENDPOINT_URI} a {FORM_RECOGNIZER_KEY} pro instance kontejneru Faktura a Rozložení.

U modelů faktur v3.0 GA a 3.1 GA musíte jako zdroj použít obrázek rozložení verze 3.1 GA.

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}

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

Účtenka

Následující ukázka kódu je samostatný docker compose příklad pro spuštění kontejneru Document Intelligence General Document. Pomocí docker compose souboru YAML nakonfigurujete služby vaší aplikace. Pak pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace. Zadejte hodnoty {FORM_RECOGNIZER_ENDPOINT_URI} a {FORM_RECOGNIZER_KEY} pro instance kontejnerů Receipt a Read.

Obrázek rozložení GA verze 3.1 můžete použít jako nadřazený obrázek místo obrázku pro čtení.

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}

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

ID dokument

Následující ukázka kódu je samostatný docker compose příklad pro spuštění kontejneru Document Intelligence General Document. Pomocí docker compose souboru YAML nakonfigurujete služby vaší aplikace. Pak pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace. Zadejte hodnoty {FORM_RECOGNIZER_ENDPOINT_URI} a {FORM_RECOGNIZER_KEY} pro vaše ID a čtení instancí kontejneru.

Obrázek rozložení GA verze 3.1 můžete použít jako nadřazený obrázek místo obrázku pro čtení.

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}

Teď můžete službu spustit pomocí příkazu docker compose :

docker-compose up

Vizitka

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}

Vlastní

Kromě požadavků musíte pro zpracování vlastního dokumentu provést následující kroky:

Vytvořte složku a uložte následující soubory.

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

Vytvoření složky a uložení vstupních dat

• Pojmenujte soubory této složky.
• Tuto složku označujeme cestou k souboru jako {FILE_MOUNT_PATH}.
• Zkopírujte cestu k souboru do vhodného umístění, musíte ji přidat do souboru .env . Například pokud se složka nazývá soubory umístěné ve stejné složce jako docker-compose soubor, položka souboru .env je FILE_MOUNT_PATH="./files"

Vytvoření složky pro ukládání protokolů zapsaných službou Document Intelligence na místním počítači

• Pojmenujte tuto složku output.
• Cestu k této složce označujeme jako {OUTPUT_MOUNT_PATH}.
• Zkopírujte cestu k souboru do vhodného umístění, musíte ji přidat do souboru .env . Například pokud se složka nazývá výstup, který se nachází ve stejné složce jako docker-compose soubor, položka souboru .env je OUTPUT_MOUNT_PATH="./output"

Vytvoření složky pro ukládání interního zpracování sdíleného mezi kontejnery

• Pojmenujte tuto složku sdílenou.
• Cestu k adresáři pro tuto složku označujeme jako {SHARED_MOUNT_PATH}.
• Zkopírujte cestu k souboru do vhodného umístění, musíte ji přidat do souboru .env . Například pokud se složka nazývá sdílená, umístěná ve stejné složce jako docker-compose soubor, položka souboru .env je SHARED_MOUNT_PATH="./share"

Vytvoření složky pro Studio pro ukládání informací souvisejících s projektem

• Pojmenujte tuto složku db.
• Odkazujeme na cestu k souboru této složky jako {DB_MOUNT_PATH}.
• Zkopírujte cestu k souboru do vhodného umístění, musíte ji přidat do souboru .env . Například pokud se složka nazývá db, která se nachází ve stejné složce jako docker-compose soubor, položka souboru .env je DB_MOUNT_PATH="./db"

Vytvoření souboru prostředí

1. Pojmenujte tento soubor .env.

2. Deklarujte následující proměnné prostředí:

SHARED_MOUNT_PATH="./share"
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"

Vytvoření souboru nginx

1. Pojmenujte tento soubor nginx.conf.

2. Zadejte následující konfiguraci:

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 /api-docs {
            proxy_pass http://docker-custom/api-docs;
        }

        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;
        }
    }
}

Vytvoření souboru docker compose

1. Pojmenujte tento soubor docker-compose.yml

2. Následující ukázka kódu je samostatný docker compose příklad pro společné spouštění kontejnerů šablon Document Intelligence Layout, Studio a Custom Template. Pomocí docker compose souboru YAML nakonfigurujete služby vaší aplikace. Pak pomocí docker-compose up příkazu vytvoříte a spustíte všechny služby z vaší konfigurace.

version: '3.3'
services:
  nginx:
    image: nginx:alpine
    container_name: reverseproxy
    depends_on:
      - layout
      - custom-template
    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-3.1:latest
    environment:
      eula: accept
      apikey: ${FORM_RECOGNIZER_KEY}
      billing: ${FORM_RECOGNIZER_ENDPOINT_URI}
      Logging:Console:LogLevel:Default: Information
      SharedRootFolder: /share
      Mounts:Shared: /share
      Mounts:Output: /logs
    volumes:
      - type: bind
        source: ${SHARED_MOUNT_PATH}
        target: /share
      - 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-3.1: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: /share
      Mounts:Shared: /share
      Mounts:Output: /logs
    volumes:
      - type: bind
        source: ${SHARED_MOUNT_PATH}
        target: /share
      - 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:3.1
    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)

Kontejner vlastních šablon a kontejner rozložení mohou používat fronty Azure Storage nebo paměťové fronty. Proměnné prostředí Storage:ObjectStore:AzureBlob:ConnectionString a queue:azure:connectionstring je potřeba nastavit pouze pokud používáte fronty Azure Storage. Při místním spuštění odstraňte tyto proměnné.

Ujistěte se, že je služba spuštěná.

Abyste zajistili, že služba běží. Tyto příkazy spusťte v prostředí Ubuntu.

$cd <folder containing the docker-compose file>

$source .env

$docker-compose up

Kontejnery vlastních šablon vyžadují několik různých konfigurací a podporují další volitelné konfigurace.

Nastavení	Požaduje se	Popis
EULA	Ano	Příklad přijetí licence: Eula=accept
Fakturace	Ano	URI koncového bodu pro fakturaci prostředku FR
Klíč API	Ano	Klíč koncového bodu prostředku FR
Queue:Azure:ConnectionString	Ne	Azure Queue připojovací řetězec
Storage:ObjectStore:AzureBlob:ConnectionString	Ne	Azure Blob připojovací řetězec
HealthCheck:MemoryUpperboundInMB	Ne	Prahová hodnota paměti pro hlášení, že stav života není v pořádku. Výchozí: Stejná jako doporučená paměť
Doba uložení do vypršení v minutách	Ne	TTL doba trvání pro odebrání všech dočasných a konečných souborů. Výchozí nastavení: Dva dny, TTL může být nastaven mezi pěti minutami a sedmi dny.
Úkol: MaxRunningTimeSpanInMinutes	Ne	Maximální doba běhu pro posouzení požadavku jako vypršeného. Výchozí hodnota: 60 minut
HTTP_PROXY_BYPASS_URLS	Ne	Zadejte adresy URL pro obejití příkladu proxy serveru: HTTP_PROXY_BYPASS_URLS = abc.com, xyz.com
AzureCognitiveServiceReadHost (účtenka, pouze kontejnery dokladů totožnosti)	Ano	Zadejte identifikátor URI kontejneru pro čtení. Example: AzureCognitiveServiceReadHost=http://onprem-frread:5000
AzureCognitiveServiceLayoutHost (pouze dokumenty, pouze kontejnery faktur)	Ano	Určení kontejneru rozložení uri Example:AzureCognitiveServiceLayoutHost=http://onprem-frlayout:5000

Trénování modelu pomocí nástroje Document Intelligence Studio

• Shromážděte sadu alespoň pěti forem stejného typu. Tato data použijete k trénování modelu a otestování formuláře. Můžete použít ukázkovou datovou sadu (stažení a extrakce sample_data.zip).

• Jakmile můžete ověřit, že kontejnery běží, otevřete prohlížeč a přejděte do koncového bodu, ve kterém máte nasazené kontejnery. Pokud je toto nasazení vaším místním počítačem, koncový bod je [http://localhost:5001](http://localhost:5001).

• Vyberte dlaždici vlastního modelu extrakce.

• Create project Vyberte možnost.

• Zadejte název projektu a volitelně i popis.

• V kroku Konfigurace prostředku zadejte koncový bod vašemu vlastnímu modelu šablony. Pokud jste kontejnery nasadili na místní počítač, použijte tuto adresu URL [http://localhost:5000](http://localhost:5000).

• Zadejte podsložku pro umístění trénovacích dat ve složce souborů.

• Nakonec vytvořte projekt.

Teď byste měli mít vytvořený projekt připravený k označování. Nahrajte tréninková data a začněte označovat. Pokud s popisováním začínáte, podívejte se na sestavení a trénování vlastního modelu.

Trénovat pomocí rozhraní API

Pokud plánujete volat rozhraní API přímo pro trénování modelu, rozhraní API pro trénování modelu podle vlastní šablony vyžaduje soubor ZIP kódovaný pomocí Base64, který obsahuje data vašeho projektu označování. Soubory PDF nebo obrázku můžete vynechat a odeslat pouze soubory JSON.

Jakmile máte svou datovou sadu označenou a soubory *.ocr.json, *.labels.json a fields.json ve formátu ZIP, spusťte příkazy PowerShell pro generování kódovaného řetězce base64.

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

K odeslání požadavku použijte rozhraní API modelu sestavení.

  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"
       }
  }

---

Ověřte, že je služba spuštěná.

Existuje několik způsobů, jak ověřit, že je kontejner spuštěný:

• Kontejner poskytuje domovskou stránku \ jako vizuální ověření, že kontejner běží.

• Můžete otevřít oblíbený webový prohlížeč a přejít na externí IP adresu a vystavený port kontejneru. Pomocí uvedených adres URL požadavků ověřte, že kontejner běží. Uvedené ukázkové adresy URL požadavků jsou http://localhost:5000, ale váš konkrétní kontejner se může lišit. Mějte na paměti, že přecházíte na externí IP adresu vašeho kontejneru a na vystavený port.

  Adresa URL požadavku	Účel
  http:// localhost:5000/	Kontejner poskytuje domovskou stránku.
  http:// localhost:5000/ready	Požadováno pomocí GET, tento požadavek poskytuje ověření, že kontejner je připraven přijmout dotaz na model. Tento požadavek je možné použít pro sondy připravenosti a životaschopnosti Kubernetes.
  http:// localhost:5000/status	Požadavek pomocí příkazu GET ověřuje, zda je api-key použitý ke spuštění kontejneru platný, aniž by vyvolával dotaz na koncový bod. Tento požadavek je možné použít pro sondy připravenosti a životaschopnosti Kubernetes.
  http:// localhost:5000/swagger	Kontejner poskytuje kompletní dokumentaci ke koncovým bodům a nabízí funkci Vyzkoušejte si to. Pomocí této funkce můžete zadat nastavení do webového formuláře HTML a vytvořit dotaz, aniž byste museli psát žádný kód. Po vrácení dotazu se zobrazí ukázkový příkaz CURL, který předvede požadované hlavičky HTTP a základní formát.

Zastavení kontejnerů

Pokud chcete kontejnery zastavit, použijte následující příkaz:

docker-compose down

Fakturace

Kontejnery Document Intelligence odesílají fakturační údaje do Azure pomocí prostředku Document Intelligence na vašem účtu Azure.

Dotazy na kontejner se účtují na cenové úrovni prostředku Azure používaného pro rozhraní API Key. Fakturace se vypočítá pro každou instanci kontejneru, která se používá ke zpracování dokumentů a obrázků.

Pokud se zobrazí následující chyba: Kontejner není v platném stavu. Ověření předplatného selhalo se stavem OutOfQuota, klíč rozhraní API je mimo kvótu. Je to indikátor, že vaše kontejnery nekomunikují s koncovým bodem pro fakturaci.

Připojení k Azure

Kontejner potřebuje ke spuštění hodnoty argumentů pro fakturaci. Tyto hodnoty umožňují kontejneru připojit se ke koncovému bodu fakturace. Kontejner hlásí využití přibližně každých 10 až 15 minut. Pokud se kontejner v povoleném časovém intervalu nepřipojí k Azure, kontejner se bude dál spouštět, ale nebude obsluhovat dotazy, dokud se neobnoví koncový bod fakturace. Připojení se pokouší 10krát ve stejném časovém intervalu 10 až 15 minut. Pokud se během 10 pokusů nemůže připojit ke koncovému bodu fakturace, kontejner přestane obsluhovat požadavky. Příklad informací odeslaných Microsoftu pro fakturaci najdete v nejčastějších dotazech ke kontejneru Azure AI.

Spory ohledně fakturace

Příkaz docker-compose up spustí kontejner, když jsou k dispozici všechny tři z následujících možností s platnými hodnotami:

Možnost	Popis
ApiKey	Klíč prostředku Azure AI Foundry, který se používá ke sledování fakturačních údajů. Hodnota této možnosti musí být nastavena na klíč pro zřízený prostředek zadaný v Billing.
Billing	Koncový bod prostředku Azure AI Foundry, který se používá ke sledování fakturačních údajů. Hodnota této možnosti musí být nastavena na identifikátor URI koncového bodu přiděleného prostředku Azure.
Eula	Označuje, že jste přijali licenci pro kontejner. Hodnota této možnosti musí být nastavena tak, aby přijímala.

Další informace o těchto možnostech najdete v tématu Konfigurace kontejnerů.

Shrnutí

A je to! V tomto článku jste se seznámili s koncepty a pracovními postupy pro stahování, instalaci a spouštění kontejnerů Document Intelligence. Souhrnně:

• Document Intelligence poskytuje sedm linuxových kontejnerů pro Docker.
• Image kontejnerů se stáhnou z mcr.
• Image kontejnerů se spouštějí v Dockeru.
• Při vytváření instance kontejneru je nutné zadat fakturační údaje.

Důležité

Kontejnery Azure AI nejsou licencované ke spuštění bez připojení k Azure za účelem měření. Zákazníci musí kontejnerům umožnit, aby vždy komunikují fakturační údaje se službou měření. Kontejnery Azure AI neodesílají zákaznická data (například obrázek nebo text analyzovaný) do Microsoftu.

Další kroky

• Nastavení konfigurace kontejneru Document Intelligence

• Návod na instance kontejneru Azure