Tárolók telepítése és futtatása

Cikk
01/17/2024

A tárolók támogatása jelenleg az összes modell dokumentumintelligencia-verziójával és csak olvasási és 2023-07-31 (GA) elrendezési verzióval 2022-08-31 (GA) érhető el:

✔️ A támogatott tárolódokumentációért tekintse meg a Document Intelligence v3.0-tárolók telepítését és futtatását.

Ez a tartalom a következőre vonatkozik::v3.0 (GA)v3.1 (GA)

Az Azure AI Document Intelligence egy Azure AI-szolgáltatás, amellyel automatizált adatfeldolgozási szoftvereket hozhat létre gépi tanulási technológiával. A dokumentumintelligencia lehetővé teszi szöveg, kulcs/érték párok, kijelölési jelek, táblázatadatok és egyebek azonosítását és kinyerét a dokumentumokból. Az eredmények olyan strukturált adatokként jelennek meg, amelyek .. A /tartalmazza az eredeti fájlban lévő kapcsolatokat.

Ebből a cikkből megtudhatja, hogyan tölthet le, telepíthet és futtathat Dokumentumintelligencia-tárolókat. A tárolók lehetővé teszik a Dokumentumintelligencia szolgáltatás futtatását a saját környezetében. A tárolók kiválóan alkalmasak adott biztonsági és adatszabályozási követelményekhez.

Az olvasási és elrendezési modelleket a Document Intelligence v3.1-tárolók támogatják.
Az olvasási, elrendezési, általános dokumentum-, azonosítódokumentum-, nyugta-, számla-, névjegykártya- és egyéni modelleket a Document Intelligence v3.0-tárolók támogatják.
A névjegykártya-modell jelenleg csak a v2.1-tárolókban támogatott.

Előfeltételek

Az első lépésekhez aktív Azure-fiókra van szüksége. Ha még nincs fiókja, hozzon létre egy ingyenes fiókot.

A Dokumentumintelligencia-tárolók használatához az alábbiakra is szüksége van:

Szükséges	Cél
A Docker ismerete	Alapvető ismeretekkel kell rendelkeznie a Docker-fogalmakról, például a regisztrációs adatbázisokról, az adattárakról, a tárolókról és a tárolórendszerképekről, valamint ismernie kell az alapvető `docker`terminológiát és parancsokat.
Docker Engine telepítve	A gazdaszámítógépen telepítve kell lennie a Docker-motornak. A Docker csomagokat biztosít a Docker-környezet konfigurálásához macOS, Windows és Linux rendszereken. A Docker és a tárolók alapszintű ismertetéséért lásd a Docker felhasználói útmutatóját. A Dockert úgy kell konfigurálni, hogy a tárolók kapcsolódhassanak és számlázási adatokat küldjenek az Azure-ba. Windows rendszeren a Dockert úgy is konfigurálnia kell, hogy támogassa a Linux-tárolókat.
Dokumentumintelligencia-erőforrás	Egy egyszolgáltatásos Azure AI-dokumentumintelligencia vagy többszolgáltatásos erőforrás az Azure Portalon. A tárolók használatához rendelkeznie kell a társított kulccsal és végpont URI-val. Mindkét érték elérhető az Azure Portal dokumentumintelligencia-kulcsai és végpontoldalán : {FORM_RECOGNIZER_KEY}: a két elérhető erőforráskulcs egyike. {FORM_RECOGNIZER_ENDPOINT_URI}: a számlázási adatok nyomon követésére használt erőforrás végpontja.

Választható	Cél
Azure CLI (parancssori felület)	Az Azure CLI lehetővé teszi, hogy online parancsokat használjon az Azure-erőforrások létrehozásához és kezeléséhez. Telepíthető Windows, macOS és Linux rendszerű környezetekben, és Docker-tárolóban és Azure Cloud Shellben is futtatható.

Gazdagépre vonatkozó követelmények

A gazdagép egy x64-alapú számítógép, amely a Docker-tárolót futtatja. Ez lehet egy számítógép a helyszínen vagy egy Docker-üzemeltetési szolgáltatás az Azure-ban, például:

Azure Kubernetes Service.
Azure Container Instances.
Az Azure Stackben üzembe helyezett Kubernetes-fürt. További információ: Kubernetes üzembe helyezése az Azure Stackben.

Tárolókövetelmények és javaslatok

Szükséges támogató tárolók

Az alábbi táblázat az egyes letöltött Dokumentumintelligencia-tárolókhoz tartozó támogató tároló(ka)t sorolja fel. További információkért lásd a Számlázás szakaszt.

Szolgáltatástároló	Támogató tároló(k)
Olvasás	Nem kötelező
Elrendezés	Nem kötelező
Névjegykártya	Olvasás
Általános dokumentum	Elrendezés
Számla	Elrendezés
Beérkezési	Olvasás vagy elrendezés
Azonosító dokumentum	Olvasás
Egyéni sablon	Elrendezés

Ajánlott processzormagok és memória

Feljegyzés

A minimális és ajánlott értékek a Docker korlátain alapulnak, nem pedig a gazdagép erőforrásain.

Dokumentumintelligencia-tárolók

Tároló	Minimum	Ajánlott
`Read`	`8` magok, 10 GB memória	`8` magok, 24 GB memória
`Layout`	`8` magok, 16 GB memória	`8` magok, 24 GB memória
`Business Card`	`8` magok, 16 GB memória	`8` magok, 24 GB memória
`General Document`	`8` magok, 12 GB memória	`8` magok, 24 GB memória
`ID Document`	`8` magok, 8 GB memória	`8` magok, 24 GB memória
`Invoice`	`8` magok, 16 GB memória	`8` magok, 24 GB memória
`Receipt`	`8` magok, 11 GB memória	`8` magok, 24 GB memória
`Custom Template`	`8` magok, 16 GB memória	`8` magok, 24 GB memória

Minden magnak legalább 2,6 gigahertzesnek (GHz) vagy gyorsabbnak kell lennie.
A mag és a memória megfelel a --cpus parancs részeként docker compose használt beállításoknak és --memorydocker run beállításoknak.

Tipp.

A docker images paranccsal listázhatja a letöltött tárolólemezképeket. Az alábbi parancs például az egyes letöltött tárolólemezképek azonosítóját, adattárát és címkéjét sorolja fel táblázatként formázva:

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

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

A tároló futtatása a docker-compose up paranccsal

Cserélje le a(z) {ENDPOINT_URI} és {API_KEY} értékeket az erőforrásvégpont URI-jára és az Azure-erőforráslap kulcsára.
Győződjön meg arról, hogy az EULA értéke elfogadásra van állítva.
Meg EULAkell adni a , Billingés ApiKey az értékeket, ellenkező esetben a tároló nem indítható el.

Fontos

A kulcsok a dokumentumintelligencia-erőforrás eléréséhez használhatók. Ne ossza meg a kulcsokat. Biztonságosan tárolhatja őket, például az Azure Key Vault használatával. Javasoljuk, hogy a kulcsokat rendszeresen hozza újra létre. API-hívás létrehozásához csak egy kulcs szükséges. Az első kulcs újragenerálásakor a második kulccsal továbbra is hozzáférhet a szolgáltatáshoz.

Az alábbi kódminta egy önálló példa a dokumentumintelligencia-elrendezés docker compose tárolójának futtatására. Ezzel docker composeegy YAML-fájlt használ az alkalmazás szolgáltatásainak konfigurálásához. Ezután a docker-compose up paranccsal létrehozza és elindítja az összes szolgáltatást a konfigurációból. Adja meg az Elrendezés tárolópéldány {FORM_RECOGNIZER_ENDPOINT_URI} és {FORM_RECOGNIZER_KEY} értékeit.

version: "3.9"
services:
  azure-form-recognizer-read:
    container_name: azure-form-recognizer-read
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/read-3.0
    environment:
      - EULA=accept
      - billing={FORM_RECOGNIZER_ENDPOINT_URI}
      - apiKey={FORM_RECOGNIZER_KEY}
    ports:
      - "5000:5000"
    networks:
      - ocrvnet
networks:
  ocrvnet:
    driver: bridge

Most a docker compose paranccsal indíthatja el a szolgáltatást:

docker-compose up

Az alábbi kódminta egy önálló docker compose példa a Dokumentumintelligencia általános dokumentumtárolójának futtatására. Ezzel docker composeegy YAML-fájlt használ az alkalmazás szolgáltatásainak konfigurálásához. Ezután a docker-compose up paranccsal létrehozza és elindítja az összes szolgáltatást a konfigurációból. Az Általános dokumentum- és elrendezéstároló-példányok {FORM_RECOGNIZER_ENDPOINT_URI} és {FORM_RECOGNIZER_KEY} értékeit adja meg.

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}

Most a docker compose paranccsal indíthatja el a szolgáltatást:

docker-compose up

A gépen lévő erőforrások miatt az Általános dokumentum tároló üzembe helyezése eltarthat egy ideig.

version: "3.9"
services:
  azure-form-recognizer-layout:
    container_name: azure-form-recognizer-layout
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/layout-3.0
    environment:
      - EULA=accept
      - billing={FORM_RECOGNIZER_ENDPOINT_URI}
      - apiKey={FORM_RECOGNIZER_KEY}
    ports:
      - "5000:5000"
    networks:
      - ocrvnet
networks:
  ocrvnet:
    driver: bridge

Most a docker compose paranccsal indíthatja el a szolgáltatást:

docker-compose up

Az alábbi kódminta egy önálló példa a Dokumentumintelligencia számlatároló docker compose futtatásához. Ezzel docker composeegy YAML-fájlt használ az alkalmazás szolgáltatásainak konfigurálásához. Ezután a docker-compose up paranccsal létrehozza és elindítja az összes szolgáltatást a konfigurációból. Adja meg a számlázási és elrendezési tárolópéldányok {FORM_RECOGNIZER_ENDPOINT_URI} és {FORM_RECOGNIZER_KEY} értékeit.

version: "3.9"
services:
  azure-cognitive-service-invoice:
    container_name: azure-cognitive-service-invoice
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/invoice-3.0
    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}

Most a docker compose paranccsal indíthatja el a szolgáltatást:

docker-compose up

Az alábbi kódminta egy önálló docker compose példa a Dokumentumintelligencia általános dokumentumtárolójának futtatására. Ezzel docker composeegy YAML-fájlt használ az alkalmazás szolgáltatásainak konfigurálásához. Ezután a docker-compose up paranccsal létrehozza és elindítja az összes szolgáltatást a konfigurációból. Adja meg a {FORM_RECOGNIZER_ENDPOINT_URI} és a {FORM_RECOGNIZER_KEY} értéket a nyugta- és olvasási tárolópéldányokhoz.

version: "3.9"
services:
  azure-cognitive-service-receipt:
    container_name: azure-cognitive-service-receipt
    image: mcr.microsoft.com/azure-cognitive-services/form-recognizer/receipt-3.0
    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-3.0
      environment:
          - EULA=accept
          - billing={FORM_RECOGNIZER_ENDPOINT_URI}
          - apiKey={FORM_RECOGNIZER_KEY}

Most a docker compose paranccsal indíthatja el a szolgáltatást:

docker-compose up

Az alábbi kódminta egy önálló docker compose példa a Dokumentumintelligencia általános dokumentumtárolójának futtatására. Ezzel docker composeegy YAML-fájlt használ az alkalmazás szolgáltatásainak konfigurálásához. Ezután a docker-compose up paranccsal létrehozza és elindítja az összes szolgáltatást a konfigurációból. Adja meg a(z) {FORM_RECOGNIZER_ENDPOINT_URI} és {FORM_RECOGNIZER_KEY} értéket az azonosító- és olvasási tárolópéldányokhoz.

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-3.0
      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-3.0
      environment:
          - EULA=accept
          - billing={FORM_RECOGNIZER_ENDPOINT_URI}
          - apiKey={FORM_RECOGNIZER_KEY}

Most a docker compose paranccsal indíthatja el a szolgáltatást:

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}

Az előfeltételek mellett az alábbiakat kell tennie egy egyéni dokumentum feldolgozásához:

Mappa létrehozása a következő fájlok tárolásához

.Env
nginx.conf
docker-compose.yml

Mappa létrehozása a bemeneti adatok tárolásához

Nevezze el ezt a mappafájlt.
A mappa fájlelérési útvonalára {FILE_MOUNT_PATH} néven hivatkozunk.
Másolja a fájl elérési útját egy megfelelő helyre, és hozzá kell adnia az .env fájlhoz. Ha például a mappát fájloknak nevezzük, és ugyanabban a mappában található, mint a docker-compose fájl, az .env fájlbejegyzés FILE_MOUNT_PATH="./files"

Hozzon létre egy mappát a Dokumentumintelligencia szolgáltatás által a helyi számítógépen írt naplók tárolásához

Nevezze el ezt a mappakimenetet.
A mappa fájlelérési útvonalára {OUTPUT_MOUNT_PATH} néven hivatkozunk.
Másolja a fájl elérési útját egy megfelelő helyre, és hozzá kell adnia az .env fájlhoz. Ha például a mappát kimenetnek nevezzük, amely ugyanabban a mappában található, mint a docker-compose fájl, az .env fájlbejegyzés OUTPUT_MOUNT_PATH="./output"

Mappa létrehozása a tárolók között megosztott belső feldolgozás tárolásához

Nevezze el ezt a mappát megosztva.
A mappa fájlelérési útvonalára {SHARED_MOUNT_PATH} néven hivatkozunk.
Másolja a fájl elérési útját egy megfelelő helyre, és hozzá kell adnia az .env fájlhoz. Ha például a mappát megosztottnak nevezzük, és ugyanabban a mappában található, mint a docker-compose fájl, akkor az .env fájlbejegyzés SHARED_MOUNT_PATH="./shared"

Nevezze el ezt a mappaadatbázist.
A mappa fájlelérési útvonalára {DB_MOUNT_PATH} néven hivatkozunk.
Másolja a fájl elérési útját egy megfelelő helyre, és hozzá kell adnia az .env fájlhoz. Ha például a mappát db-nek hívják, amely a docker-compose fájllal megegyező mappában található, az .env fájlbejegyzés a következő: DB_MOUNT_PATH="./db"

Környezeti fájl létrehozása

Nevezze el ezt a fájlt .env.
Deklarálja a következő környezeti változókat:

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"

Nginx-fájl létrehozása

Nevezze el ezt a fájlt nginx.conf néven.
Adja meg a következő konfigurációt:

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;
        }
    }
}

Docker-összeállítási fájl létrehozása

A fájl neve docker-compose.yml
Az alábbi kódminta egy önálló példa a Dokumentumintelligencia-elrendezés docker compose , a Studio és az Egyéni sablontárolók együttes futtatására. Ezzel docker composeegy YAML-fájlt használ az alkalmazás szolgáltatásainak konfigurálásához. Ezután a docker-compose up paranccsal létrehozza és elindítja az összes szolgáltatást a konfigurációból.

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)

Az egyéni sablontároló azure Storage-üzenetsorokat vagy memóriasorokat használhat. A Storage:ObjectStore:AzureBlob:ConnectionString környezeti és queue:azure:connectionstring a környezeti változókat csak akkor kell beállítani, ha Azure Storage-üzenetsorokat használ. Helyi futtatáskor törölje ezeket a változókat.

Győződjön meg arról, hogy a szolgáltatás fut

A szolgáltatás működésének biztosítása. Futtassa ezeket a parancsokat egy Ubuntu-rendszerhéjban.

$cd <folder containing the docker-compose file>

$source .env

$docker-compose up

Az egyéni sablontárolókhoz különböző konfigurációk szükségesek, és támogatják az egyéb választható konfigurációkat

Beállítás	Kötelező	Leírás
EULA	Igen	Licencelfogadási példa: Eula=accept
Számlázás	Igen	Az FR-erőforrás számlázási végpontjának URI-ja
ApiKey	Igen	Az FR-erőforrás végpontkulcsa
Queue:Azure:Csatlakozás ionString	Nem	Azure Queue kapcsolati sztring
Storage:ObjectStore:AzureBlob:Csatlakozás ionString	Nem	Azure Blob kapcsolati sztring
HealthCheck:MemoryUpperboundInMB	Nem	Memóriaküszöb a nem megfelelő állapotnak az élőségről való jelentéséhez. Alapértelmezett: Ugyanaz, mint az ajánlott memória
StorageTimeToLiveInMinutes	Nem	TTL-időtartam az összes köztes és végleges fájl eltávolításához. Alapértelmezett: Két nap, a TTL öt perc és hét nap között állítható be
Feladat:MaxRunningTimeSpanInMinutes	Nem	A kérelem időtúllépésként való kezeléséhez szükséges maximális futási idő. Alapértelmezett: 60 perc
HTTP_PROXY_BYPASS_URLS	Nem	Url-címek megadása proxy megkerüléséhez Példa: HTTP_PROXY_BYPASS_URLS = abc.com, xyz.com
AzureCognitiveServiceReadHost (csak nyugta, IdDocument-tárolók)	Igen	Adja meg az olvasási tároló uri-példa:AzureCognitiveServiceReadHost=http://onprem-frread:5000
AzureCognitiveServiceLayoutHost (csak dokumentum- és számlatárolók)	Igen	Elrendezési tároló uri-ának megadása példa:AzureCognitiveServiceLayoutHost=http://onprem-frlayout:5000

Modell betanítása a Document Intelligence Studióval

Gyűjtsön össze legalább öt azonos típusú formát. Ezeket az adatokat használva betanítsa a modellt, és teszteljen egy űrlapot. Használhat mintaadatkészletet (letölthet és kinyerhet sample_data.zip).
Miután meggyőződhetett arról, hogy a tárolók futnak, nyisson meg egy böngészőt, és keresse meg azt a végpontot, ahol a tárolók telepítve vannak. Ha ez az üzembe helyezés a helyi gép, a végpont a következő [http://localhost:5000](http://localhost:5000): .
Válassza ki az egyéni kinyerési modell csempét.
Válassza ki a Create project lehetőséget.
Adjon meg egy projektnevet és opcionálisan egy leírást
Az "erőforrás konfigurálása" lépésben adja meg az egyéni sablonmodell végpontját. Ha telepítette a tárolókat a helyi gépen, használja ezt az URL-címet [http://localhost:5000](http://localhost:5000).
Adjon meg egy almappát, ahol a betanítási adatok a fájlok mappájában találhatók.
Végül hozza létre a projektet

Most létre kell hoznia egy projektet, amely készen áll a címkézésre. Töltse fel a betanítási adatokat, és kezdje el a címkézést. Ha még nem rendelkezik címkézéssel, tekintse meg az egyéni modellek összeállítását és betanítását

Az API használata a betanítása érdekében

Ha közvetlenül egy modell betanításához szeretné meghívni az API-kat, az egyéni sablonmodell betanítási API-ja egy base64 kódolású zip-fájlt igényel, amely a címkézési projekt tartalma. Kihagyhatja a PDF- vagy képfájlokat, és csak a JSON-fájlokat küldheti el.

Miután felcímkézett és *.ocr.json, *.labels.json és fields.json fájlokat adott hozzá egy zip-fájlhoz, a PowerShell-parancsokkal hozza létre a base64 kódolású sztringet.

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

A kérés közzétételéhez használja a buildmodell API-t.

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"
     }
}

Ellenőrizze, hogy a szolgáltatás fut-e

A tároló futásának ellenőrzésére többféleképpen is van lehetőség:

A tároló vizuális ellenőrzésként egy kezdőlapot \ biztosít, amely ellenőrzi, hogy a tároló fut-e.

Megnyithatja a kedvenc webböngészőt, és navigálhat a kérdéses tároló külső IP-címére és közzétett portjára. A felsorolt kérelem URL-címeinek használatával ellenőrizze, hogy a tároló fut-e. A felsorolt példakérési URL-címek a következők http://localhost:5000, de az adott tároló eltérő lehet. Ne feledje, hogy a tároló külső IP-címére és a közzétett portra navigál.

Kérelem URL-címe	Cél
http:// localhost:5000/	A tároló egy kezdőlappal rendelkezik.
http:// localhost:5000/ready	A GET kérése ellenőrzi, hogy a tároló készen áll-e egy lekérdezés elfogadására a modellen. Ez a kérés használható a Kubernetes-beli élő- és készültségi mintavételekhez.
http:// localhost:5000/status	A GET használatával kért kérés ellenőrzi, hogy a tároló elindításához használt API-kulcs érvényes-e végpontlekérdezés nélkül. Ez a kérés használható a Kubernetes-beli élő- és készültségi mintavételekhez.
http:// localhost:5000/swagger	A tároló átfogó dokumentációval is rendelkezik a végpontokhoz, valamint egy kipróbálás funkcióval is. Ezzel a funkcióval beírhatja a beállításokat egy webes HTML-űrlapba, és kódírás nélkül is elvégezheti a lekérdezést. A lekérdezés visszatérése után megjelenik egy példa CURL-parancs, amely bemutatja a szükséges HTTP-fejléceket és törzsformátumot.

Screenshot of Azure containers welcome page.

Tárolók leállítása

A tárolók leállításához használja a következő parancsot:

docker-compose down

Számlázás

A Dokumentumintelligencia-tárolók számlázási adatokat küldenek az Azure-nak egy Dokumentumintelligencia-erőforrás használatával az Azure-fiókban.

A tárolóba irányuló lekérdezések számlázása az API-hoz Keyhasznált Azure-erőforrás tarifacsomagján lesz. A dokumentumok és képek feldolgozásához használt tárolópéldányokért díjat kell fizetnie.

Csatlakozás az Azure szolgáltatáshoz

A tárolónak futtatnia kell a számlázási argumentum értékeit. Ezek az értékek lehetővé teszik, hogy a tároló csatlakozzon a számlázási végponthoz. A tároló körülbelül 10–15 percenként jelenti a használatot. Ha a tároló az engedélyezett időkereten belül nem csatlakozik az Azure-hoz, a tároló továbbra is fut, de a számlázási végpont visszaállításáig nem szolgál ki lekérdezéseket. A kapcsolat 10 alkalommal, 10–15 perces időintervallumban történik. Ha a 10 próbálkozáson belül nem tud csatlakozni a számlázási végponthoz, a tároló leállítja a kérések kiszolgálását. Tekintse meg az Azure AI-tárolóval kapcsolatos gyakori kérdéseket a Microsoftnak számlázás céljából küldött információk példájáért.

Számlázási argumentumok

A docker-compose up parancs akkor indítja el a tárolót, ha az alábbi lehetőségek közül mind a három érvényes értéket tartalmazza:

Lehetőség	Leírás
`ApiKey`	A számlázási adatok nyomon követéséhez használt Azure AI-szolgáltatási erőforrás kulcsa. Ennek a beállításnak az értékét a megadott kiépített erőforrás kulcsára kell állítani.`Billing`
`Billing`	A számlázási adatok nyomon követésére használt Azure AI-szolgáltatási erőforrás végpontja. Ennek a beállításnak az értékét egy kiépített Azure-erőforrás végponti URI-jára kell állítani.
`Eula`	Azt jelzi, hogy elfogadta a tároló licencét. Ennek a beállításnak az értékét el kell fogadni.

Ezekről a lehetőségekről további információt a Tárolók konfigurálása című témakörben talál.

Összegzés

Ennyi az egész! Ebben a cikkben megismerkedett a Dokumentumintelligencia-tárolók letöltésével, telepítésével és futtatásával kapcsolatos fogalmakkal és munkafolyamatokkal. Összegezve:

A Document Intelligence hét Linux-tárolót biztosít a Docker számára.
A tárolólemezképek az mcr-ről töltődnek le.
A tárolólemezképek a Dockerben futnak.
A számlázási adatokat meg kell adni egy tároló példányosításakor.

Fontos

Az Azure AI-tárolók nem rendelkeznek licenceléssel anélkül, hogy az Azure-hoz csatlakozna mérési célokra. Az ügyfeleknek engedélyeznie kell a tárolóknak, hogy mindig közöljék a számlázási adatokat a mérési szolgáltatással. Az Azure AI-tárolók nem küldenek ügyféladatokat (például az elemzett képet vagy szöveget) a Microsoftnak.

Tárolók telepítése és futtatása

Előfeltételek

Gazdagépre vonatkozó követelmények

Tárolókövetelmények és javaslatok

Szükséges támogató tárolók

Ajánlott processzormagok és memória

Dokumentumintelligencia-tárolók

A tároló futtatása a docker-compose up paranccsal

Mappa létrehozása a következő fájlok tárolásához

Mappa létrehozása a bemeneti adatok tárolásához

Hozzon létre egy mappát a Dokumentumintelligencia szolgáltatás által a helyi számítógépen írt naplók tárolásához

Mappa létrehozása a tárolók között megosztott belső feldolgozás tárolásához

Környezeti fájl létrehozása

Nginx-fájl létrehozása

Docker-összeállítási fájl létrehozása

Győződjön meg arról, hogy a szolgáltatás fut

Modell betanítása a Document Intelligence Studióval

Az API használata a betanítása érdekében

Ellenőrizze, hogy a szolgáltatás fut-e

Tárolók leállítása

Számlázás

Csatlakozás az Azure szolgáltatáshoz

Számlázási argumentumok

Összegzés

Következő lépések

További források