Instalación y ejecución de contenedores

Este contenido se aplica a: v3.0 (GA) v3.1 (GA)

Documento de inteligencia de Azure AI es uno de los servicios de Azure AI y permite crear software de procesamiento de datos automatizado mediante la tecnología de aprendizaje automático. Document Intelligence le permite identificar y extraer texto, pares clave-valor, marcas de selección, datos de tabla y mucho más de los documentos. Los resultados se entregan como datos estructurados que incluyen las relaciones del fichero original. Los contenedores procesan solo los datos proporcionados y utilizan únicamente los recursos a los que tienen permiso para acceder. Los contenedores no pueden procesar datos de otras regiones.

En este artículo puede aprender a descargar, instalar y ejecutar contenedores de Document Intelligence. Los contenedores le permiten ejecutar el servicio Document Intelligence en su propio entorno. Los contenedores son excelentes para requisitos específicos de control de datos y seguridad.

• Lectura, Diseño, Id. documento, Recibo, y Factura son compatibles con los contenedores de Document Intelligence v3.1.

• Lectura, Diseño, Documento general, Tarjeta de presentación, y modelos personalizados son compatibles con contenedores de Document Intelligence v3.0.

Compatibilidad con versiones

La compatibilidad con contenedores está disponible actualmente con la versión de Document Intelligence v3.0: 2022-08-31 (GA) para todos los modelos y v3.1 2023-07-31 (GA) para los modelos de lectura, diseño, documento de identificación, recibo y factura:

• API de REST v3.0: 2022-08-31 (GA)
• API de REST v3.1: 2023-07-31 (GA)
• Bibliotecas cliente destinadas a REST API v3.0: 2022-08-31 (GA)
• Bibliotecas cliente destinadas a REST API v3.1: 2023-07-31 (GA)

Requisitos previos

Para empezar, necesita una cuenta de Azure activa. En caso de no tener ninguna, puede crear una cuenta gratuita.

También necesita lo siguiente para usar contenedores de Document Intelligence:

Obligatorio	Propósito
Conocimientos sobre Docker	Debe tener una comprensión básica de conceptos de Docker, como los registros, los repositorios, los contenedores y las imágenes de contenedor, así como conocimientos de terminología y comandos básicos de docker.
Motor de Docker instalado	Necesita que el motor de Docker esté instalado en un equipo host. Docker dispone de paquetes que configuran el entorno de Docker en macOS, Windows y Linux. Para conocer los principios básicos de Docker y de los contenedores, consulte Introducción a Docker. Docker debe configurarse para permitir que los contenedores se conecten con Azure y envíen datos de facturación a dicho servicio. En Windows, Docker también debe estar configurado de forma que admita contenedores de Linux.
Recurso de Inteligencia de documentos	Un recurso de Documento de inteligencia de Azure AI de servicio único o multiservicio en Azure Portal. Para usar los contenedores, debe tener la clave y el URI del punto de conexión asociados. Ambos valores están disponibles en la página de claves y punto de conexión de Documento de inteligencia de Azure Portal: {FORM_RECOGNIZER_KEY}: una de las dos claves de recurso disponibles. {FORM_RECOGNIZER_ENDPOINT_URI} : el punto de conexión del recurso que se usa para realizar el seguimiento de la información de facturación.

Opcionales	Propósito
CLI (interfaz de la línea de comandos) de Azure	La CLI de Azure permite usar un conjunto de comandos en línea para crear y administrar recursos de Azure. Está disponible para instalarse en entornos Windows, macOS y Linux, y se puede ejecutar en un contenedor de Docker y Azure Cloud Shell.

Requisitos del equipo host

El host es un equipo basado en x64 que ejecuta el contenedor de Docker. Puede ser un equipo del entorno local o un servicio de hospedaje de Docker incluido en Azure, como:

• Azure Kubernetes Service.
• Azure Container Instances.
• Un clúster de Kubernetes implementado en Azure Stack. Para obtener más información, consulte Implementación de Kubernetes en Azure Stack.

Nota:

Tenga en cuenta que el contenedor de Studio no se puede implementar ni ejecutar en Azure Kubernetes Service. El contenedor de Studio solo se admite para ejecutarse en el equipo local.

Recomendaciones y requisitos del contenedor

Contenedores auxiliares requeridos

En la tabla siguiente se enumeran uno o varios contenedores de compatibilidad para cada contenedor de Document Intelligence que descargue. Para más información, consulte la sección Facturación.

Contenedor de características	Contenedores auxiliares
Leer	No se requiere
Diseño	No se requiere
Tarjeta de presentación	Lectura
Documento general	Diseño
Factura	Diseño
Recibo	Lectura o Diseño
Documento de identificación	Lectura
Plantilla personalizada	Diseño

Memoria y núcleos de CPU recomendados

Nota

Los valores mínimos y recomendados se basan en los límites de Docker y no de los recursos de la máquina host.

Contenedores de Document Intelligence

Contenedor	Mínima	Recomendado
Read	8 núcleos, 10 GB de memoria	8 núcleos, 24 GB de memoria
Layout	8 núcleos, 16 GB de memoria	8 núcleos, 24 GB de memoria
Business Card	8 núcleos, 16 GB de memoria	8 núcleos, 24 GB de memoria
General Document	8 núcleos, 12 GB de memoria	8 núcleos, 24 GB de memoria
ID Document	8 núcleos, 8 GB de memoria	8 núcleos, 24 GB de memoria
Invoice	8 núcleos, 16 GB de memoria	8 núcleos, 24 GB de memoria
Receipt	8 núcleos, 11 GB de memoria	8 núcleos, 24 GB de memoria
Custom Template	8 núcleos, 16 GB de memoria	8 núcleos, 24 GB de memoria

• Cada núcleo debe ser de 2,6 gigahercios (GHz) como mínimo.
• El núcleo y la memoria se corresponden con los valores de --cpus y --memory, que se usan como parte del comando docker compose o docker run.

Sugerencia

Puede usar el comando docker images para enumerar las imágenes de contenedor descargadas. Por ejemplo, el comando siguiente muestra el id., el repositorio y la etiqueta de cada imagen de contenedor descargada, con formato de tabla:

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

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

Ejecución del contenedor con el comando docker-compose up

• Reemplace los valores {ENDPOINT_URI} y {API_KEY} por el URI del punto de conexión del recurso y la clave de la página de recursos de Azure.

  

• Asegúrese de que el valor EULA esté establecido en accept.

• Los valores EULA, Billing y ApiKey deben estar especificados; de lo contrario, el contenedor no se podrá iniciar.

Importante

Las claves se usan para acceder al recurso de Document Intelligence. No comparta las claves. Almacénelas de forma segura, por ejemplo, con Azure Key Vault. También se recomienda regenerar estas claves periódicamente. Solo se necesita una clave para realizar una llamada API. Al volver a generar la primera clave, puede usar la segunda clave para seguir teniendo acceso al servicio.

Lectura

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

Documento general

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.

Diseño

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

Factura

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

Recibo

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

Documento de identificación

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

Tarjeta de presentación

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}

Personalizada

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.

Configuración	Obligatorio	Descripción
EULA	Sí	Ejemplo de aceptación de licencia: Eula=accept
Facturación	Sí	Identificador URI del punto de conexión de facturación del recurso FR
ApiKey	Sí	Clave de punto de conexión del recurso FR
Queue:Azure:ConnectionString	No	Cadena de conexión de la cola de Azure
Storage:ObjectStore:AzureBlob:ConnectionString	No	Cadena de conexión de blobs de Azure
HealthCheck:MemoryUpperboundInMB	No	Umbral de memoria para notificar un estado incorrecto a la ejecución. Valor predeterminado: igual que la memoria recomendada
StorageTimeToLiveInMinutes	No	Duración de TTL para quitar todos los archivos intermedios y finales. Valor predeterminado: dos días, TTL puede establecer entre cinco minutos y siete días
Task:MaxRunningTimeSpanInMinutes	No	Tiempo de ejecución máximo para tratar la solicitud como tiempo de espera. Valor predeterminado: 60 minutos
HTTP_PROXY_BYPASS_URLS	No	Especificar direcciones URL para omitir el proxy. Ejemplo: HTTP_PROXY_BYPASS_URLS = abc.com, xyz.com
AzureCognitiveServiceReadHost (solo contenedores Recibo, Documento de identificación)	Sí	Ejemplo de identificador URI de contenedor de lectura:AzureCognitiveServiceReadHost=http://onprem-frread:5000
AzureCognitiveServiceLayoutHost (solo contenedores Documento, Factura)	Sí	Especifique el identificador URI del contenedor de diseño. Ejemplo: AzureCognitiveServiceLayoutHost=http://onprem-frlayout:5000

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"
     }
}

Valide que el servicio se está ejecutando.

Hay varias maneras de comprobar que el contenedor se está ejecutando:

• El contenedor proporciona una página principal en \ como validación visual de que se está ejecutando.

• Puede abrir el explorador web que prefiera e ir a la dirección IP externa y el puerto expuesto del contenedor en cuestión. Use las direcciones URL de solicitud enumeradas para validar que el contenedor se está ejecutando. Las direcciones URL de solicitud de ejemplo que se enumeran son http://localhost:5000, pero el contenedor específico puede variar. Tenga en cuenta que va a ir a la dirección IP externa y al puerto expuesto del contenedor.

  URL de la solicitud	Propósito
  http://localhost:5000/	El contenedor proporciona una página principal.
  http://localhost:5000/ready	Solicitado con GET, esta solicitud proporciona una comprobación de que el contenedor está listo para aceptar una consulta para el modelo. Esta solicitud se puede usar con los sondeos de ejecución y preparación de Kubernetes.
  http://localhost:5000/status	Solicitado con GET, esta solicitud comprueba si el valor de api-key usado para iniciar el contenedor es válido sin generar una consulta de punto de conexión. Esta solicitud se puede usar con los sondeos de ejecución y preparación de Kubernetes.
  http://localhost:5000/swagger	El contenedor cuenta con un completo conjunto de documentación sobre los puntos de conexión y una característica de prueba. Esta característica le permite especificar la configuración en un formulario HTML basado en web y realizar la consulta sin necesidad de escribir código. Después de que la consulta devuelve resultados, se proporciona un ejemplo del comando CURL para mostrar los encabezados HTTP y el formato de cuerpo requeridos.

Detener los contenedores

Para detener los contenedores, use el comando siguiente:

docker-compose down

Facturación

Los contenedores de Document Intelligence envían información de facturación a Azure mediante un recurso de Document Intelligence en la cuenta de Azure.

Las consultas en el contenedor se facturan con el plan de tarifa del recurso de Azure que se usa para la API Key. La facturación se calcula por cada instancia de contenedor que se utilice para procesar los documentos e imágenes.

Si recibe el siguiente error: El contenedor no está en un estado válido. Error de validación de la suscripción con el estado "OutOfQuota" La clave de API está fuera de cuota. Es un indicador de que los contenedores no se están comunicando con el punto de conexión de facturación.

Conexión con Azure

El contenedor necesita que se ejecuten los valores del argumento de facturación. Estos valores permiten al contenedor conectarse al punto de conexión de facturación. El contenedor informa sobre el uso cada 10 a 15 minutos. Si el contenedor no se conecta a Azure en la ventana de tiempo permitida, continuará ejecutándose pero no atenderá las consultas hasta que se restaure el punto de conexión de facturación. Se intenta 10 veces la conexión en el mismo intervalo de tiempo de 10 a 15 minutos. Si no se puede conectar con el punto de conexión de facturación en esos 10 intentos, el contenedor deja de atender solicitudes. Consulte Preguntas más frecuentes acerca de los contenedores de Azure AI para obtener un ejemplo de la información que se envía a Microsoft para la facturación.

Argumentos de facturación

El comando docker-compose up inicia el contenedor cuando se especifiquen las tres opciones siguientes con valores válidos:

Opción	Descripción
ApiKey	La clave del recurso de servicios de Azure AI que se usa para realizar un seguimiento de la información de facturación. El valor de esta opción debe establecerse en una clave del recurso aprovisionado especificado en Billing.
Billing	El punto de conexión del recurso de servicios de Azure AI que se usa para realizar el seguimiento de la información de facturación. El valor de esta opción debe establecerse en el URI del punto de conexión de un recurso aprovisionado de Azure.
Eula	Indica que ha aceptado la licencia del contenedor. El valor de esta opción debe establecerse en accept.

Para obtener más información acerca de estas opciones, consulte Configure containers (Configuración de contenedores).

Resumen

Eso es todo. En este artículo, ha aprendido los conceptos y el flujo de trabajo para la descarga, instalación y ejecución de contenedores de Document Intelligence. En resumen:

• Document Intelligence proporciona siete contenedores de Linux para Docker.
• Las imágenes de contenedor se descargan desde mcr.
• Las imágenes de contenedor se ejecutan en Docker.
• La información de facturación debe especificarse al crear una instancia de contenedor.

Importante

Los contenedores de Azure AI no tienen licencia para ejecutarse sin estar conectados a Azure para realizar mediciones. Los clientes tienen que habilitar los contenedores para comunicar la información de facturación con el servicio de medición en todo momento. Los contenedores de Azure AI no envían datos de los clientes (por ejemplo, la imagen o el texto que se está analizando) a Microsoft.

Pasos siguientes

• Parámetros de configuración del contenedor de Document Intelligence

• Fórmula de instancia de contenedor de Azure