Nota
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
Este contenido se aplica a:
v4.0 (GA) | Versiones anteriores:
v3.1 (GA)
v3.0 (retirada)
Los modelos de clasificación personalizados pueden clasificar cada página en un archivo de entrada para identificar uno o varios documentos dentro. Los modelos clasificadores también pueden identificar varios documentos o varias instancias de un solo documento en el archivo de entrada. Los modelos personalizados de Document Intelligence requieren tan solo cinco documentos de entrenamiento por clase de documento para empezar. Para empezar a entrenar un modelo de clasificación personalizado, necesita al menos cinco documentos para cada clase y dos clases de documentos.
Requisitos de entrada del modelo de clasificación personalizada
Asegúrese de que el conjunto de datos de entrenamiento sigue los requisitos de entrada de Document Intelligence.
Se admiten los siguientes formatos de archivo.
| Modelo | Imagen: JPEG/JPG, PNG, BMP, TIFF, HEIF |
Office: Word (DOCX), Excel (XLSX), PowerPoint (PPTX), HTML |
|
|---|---|---|---|
| Lectura | ✔ | ✔ | ✔ |
| Diseño | ✔ | ✔ | ✔ |
| Documento general | ✔ | ✔ | |
| Prefabricado | ✔ | ✔ | |
| Extracción personalizada | ✔ | ✔ | |
| Clasificación personalizada | ✔ | ✔ | ✔ |
- Fotos y escaneos: Para obtener mejores resultados, proporcione una foto clara o un escaneo de alta calidad por documento.
- ARCHIVOS PDF y TIFF: para archivos PDF y TIFF, se pueden procesar hasta 2000 páginas. (Con una suscripción de nivel gratuito, solo se procesan las dos primeras páginas).
- Tamaño del archivo: el tamaño de archivo para analizar documentos es de 500 MB para el nivel de pago (S0) y 4 MB para el nivel gratis (F0).
- Dimensiones de imagen: las dimensiones deben estar entre 50 píxeles x 50 píxeles y 10 000 píxeles x 10 000 píxeles.
- Bloqueos de contraseña: si los archivos PDF están bloqueados con contraseña, debe quitar el bloqueo antes del envío.
- Alto del texto: el alto mínimo del texto que se va a extraer es de 12 píxeles para una imagen de 1024 x 768 píxeles. Esta dimensión corresponde aproximadamente a un texto de 8 puntos a 150 puntos por pulgada.
- Entrenamiento de modelos personalizados: el número máximo de páginas para los datos de entrenamiento es 500 para el modelo de plantilla personalizado y 50 000 para el modelo neuronal personalizado.
- Entrenamiento del modelo de extracción personalizada: el tamaño total de los datos de entrenamiento es de 50 MB para el modelo de plantilla y 1 GB para el modelo neuronal.
- Entrenamiento del modelo de clasificación personalizada: el tamaño total de los datos de entrenamiento es de 1 GB con un máximo de 10 000 páginas. Para 2024-11-30 (GA), el tamaño total de los datos de entrenamiento es de 2 GB con un máximo de 10 000 páginas.
- Tipos de archivo de Office (DOCX, XLSX, PPTX): el límite máximo de longitud de cadena es de 8 millones de caracteres.
Sugerencias de datos de entrenamiento
Siga estas sugerencias para optimizar aún más el conjunto de datos para el entrenamiento:
Si es posible, use documentos PDF basados en texto en lugar de documentos basados en imágenes. Los archivos PDF escaneados se gestionan como imágenes.
Si las imágenes de formulario son de menor calidad, use un conjunto de datos mayor (imágenes de 10 a 15, por ejemplo).
Carga de los datos de entrenamiento
Una vez que haya reunido el conjunto de formularios o documentos para el entrenamiento, debe cargarlo en un contenedor de blobs de Azure. Si no sabe cómo crear una cuenta de Azure storage con un contenedor, siga el inicio rápido Azure Storage para Azure portal. Puede usar el plan de tarifa gratis (F0) para probar el servicio y actualizarlo más adelante a un nivel de pago para producción. Si el conjunto de datos se organiza como carpetas, conserve esa estructura, ya que Studio puede usar los nombres de carpeta para las etiquetas para simplificar el proceso de etiquetado.
Creación de un proyecto de clasificación en Document Intelligence Studio
Document Intelligence Studio proporciona y organiza las llamadas API necesarias para completar el conjunto de datos y entrenar el modelo.
Para empezar, vaya a Document Intelligence Studio. La primera vez que use el Studio, debe inicializar la suscripción, el grupo de recursos y el recurso. A continuación, sigue los requisitos previos para los proyectos personalizados para configurar el Studio para acceder al conjunto de datos de entrenamiento.
En Studio, seleccione el icono Modelo de clasificación personalizada , en la sección modelos personalizados de la página y seleccione el botón Crear un proyecto .
En el cuadro de diálogo
Create Project, proporcione un nombre para su proyecto, opcionalmente una descripción, y seleccione continuar.A continuación, elija o seleccione Crear un recurso de Document Intelligence antes de continuar.
A continuación, seleccione la cuenta de almacenamiento que usó para cargar el conjunto de datos de entrenamiento del modelo personalizado. La ruta de acceso a la carpeta debe estar vacía si los documentos de entrenamiento están en la raíz del contenedor. Si los documentos están en una subcarpeta, escriba la ruta de acceso relativa desde la raíz del contenedor en el campo Ruta de acceso de carpeta. Una vez configurada la cuenta de almacenamiento, seleccione Continuar.
Importante
Puede organizar el conjunto de datos de entrenamiento por carpetas donde el nombre de la carpeta es la etiqueta o clase de los documentos. Como alternativa, puede crear una lista plana de documentos a los que puede asignar una etiqueta en Studio.
El entrenamiento de un clasificador personalizado requiere la salida del modelo de diseño para cada documento del conjunto de datos. Realice el diseño en todos los documentos antes del proceso de entrenamiento del modelo.
Por último, revise la configuración de project y seleccione Crear Project para crear un nuevo project. Ahora debería estar en la ventana de etiquetado y ver los archivos del conjunto de datos enumerados.
Etiquetar los datos
En el proyecto, solo tiene que etiquetar cada documento con la etiqueta de clase adecuada.
Verá los archivos que cargó en el almacenamiento en la lista de archivos, listos para etiquetarse. Tiene algunas opciones para etiquetar el conjunto de datos.
Si los documentos se organizan en carpetas, Studio le pedirá que use los nombres de carpeta como etiquetas. Este paso simplifica el etiquetado hasta una sola selección.
Para asignar una etiqueta a un documento, seleccione
add label selection mark.Use Ctrl + clic para seleccionar varios documentos y asignarlos a una etiqueta.
Ahora debería tener todos los documentos del conjunto de datos etiquetados. Si examina la cuenta de almacenamiento, encontrará .ocr.json archivos que corresponden a cada documento del conjunto de datos de entrenamiento y un nuevo archivo class-name.jsonl para cada clase etiquetada. Este conjunto de datos de entrenamiento se envía para entrenar el modelo.
Entrenamiento del modelo
Con el conjunto de datos etiquetado, ahora estás listo para entrenar tu modelo. Seleccione el botón para entrenar en la esquina superior derecha.
En el cuadro de diálogo para entrenar el modelo, proporcione un identificador de clasificador único y, opcionalmente, una descripción. El identificador del clasificador acepta un tipo de datos de cadena.
Seleccione Entrenar para iniciar el proceso de entrenamiento.
Los modelos clasificadores se entrenan en unos minutos.
Vaya al menú Modelos para ver el estado de la operación de entrenamiento.
Probar el modelo
Una vez completado el entrenamiento del modelo, puede probar el modelo seleccionando el modelo en la página de lista de modelos.
Seleccione el modelo y elija el botón Probar .
Agregue un nuevo archivo examinando un archivo o colocando un archivo en el selector de documentos.
Con un archivo seleccionado, elija el botón Analizar para probar el modelo.
Los resultados del modelo se muestran con la lista de documentos identificados, una puntuación de confianza para cada documento identificado y el intervalo de páginas de cada uno de los documentos identificados.
Valide el modelo mediante la evaluación de los resultados de cada documento identificado.
Entrenamiento de un clasificador personalizado mediante el SDK o la API
El Studio orquesta las llamadas de la API para entrenar un clasificador personalizado. El conjunto de datos de entrenamiento del clasificador requiere la salida de la API de diseño que coincida con la versión de la API correspondiente a su modelo de entrenamiento. El uso de los resultados de diseño de una versión de API anterior puede dar lugar a un modelo con menor precisión.
Studio genera los resultados de diseño del conjunto de datos de entrenamiento si el conjunto de datos no contiene resultados de diseño. Al usar la API o el SDK para entrenar un clasificador, debe agregar los resultados de diseño a las carpetas que contienen los documentos individuales. Los resultados del diseño deben estar en el formato de la respuesta de la API al llamar directamente al diseño. El modelo de objetos del SDK es diferente. Asegúrese de que layout results son los resultados de la API y no .SDK response
Solución de problemas
El modelo de clasificación requiere resultados del modelo de diseño para cada documento de entrenamiento. Si no proporciona los resultados del diseño, Studio intenta ejecutar el modelo de diseño para cada documento antes de entrenar el clasificador. Este proceso está limitado y puede dar lugar a una respuesta 429.
En Studio, antes de entrenar con el modelo de clasificación, ejecute el modelo de diseño en cada documento y cárguelo en la misma ubicación que el documento original. Una vez agregados los resultados del diseño de página, puede entrenar el modelo clasificador con sus documentos.