Skapa anpassade modeller

betoningsformat

Det här innehållet gäller för: v4.0 (förhandsversion) | Tidigare versioner: v3.1 (GA) v3.0 (GA) v2.1 (GA)

Viktigt!

Modellens sammansättningsbeteende ändras för api-version=2024-07-31-preview och senare. Mer information finns i sammansatta anpassade modeller. Följande beteende gäller endast för v3.1 och tidigare versioner

En sammansatt modell skapas genom att ta en samling anpassade modeller och tilldela dem till ett enda modell-ID. Du kan tilldela upp till 200 tränade anpassade modeller till ett enda sammansatt modell-ID. När ett dokument skickas till en sammansatt modell utför tjänsten ett klassificeringssteg för att avgöra vilken anpassad modell som korrekt representerar formuläret som presenteras för analys. Sammansatta modeller är användbara när du tränar flera modeller och vill gruppera dem för att analysera liknande formulärtyper. Din sammansatta modell kan till exempel innehålla anpassade modeller som tränats för att analysera din leverans, utrustning och inköpsorder för möbler. I stället för att manuellt försöka välja lämplig modell kan du använda en sammansatt modell för att fastställa lämplig anpassad modell för varje analys och extrahering.

Mer information finns i Sammansatta anpassade modeller.

I den här artikeln får du lära dig hur du skapar och använder sammansatta anpassade modeller för att analysera formulär och dokument.

Förutsättningar

För att komma igång behöver du följande resurser:

• En Azure-prenumeration. Du kan skapa en kostnadsfri Azure-prenumeration.

• En instans av dokumentinformation. När du har din Azure-prenumeration skapar du en dokumentinformationsresurs i Azure Portal för att hämta din nyckel och slutpunkt. Om du har en befintlig dokumentinformationsresurs går du direkt till resurssidan. Du kan använda den kostnadsfria prisnivån (F0) för att prova tjänsten och uppgradera senare till en betald nivå för produktion.

  1. När resursen har distribuerats väljer du Gå till resurs.

  2. Kopiera värdena för nycklar och slutpunkter från Azure Portal och klistra in dem på en lämplig plats, till exempel Microsoft Anteckningar. Du behöver nyckel- och slutpunktsvärdena för att ansluta ditt program till API:et för dokumentinformation.

Dricks

Mer information finns i skapa en dokumentinformationsresurs.

• Ett Azure-lagringskonto. Om du inte vet hur du skapar ett Azure Storage-konto följer du snabbstarten för Azure Storage för Azure Portal. Du kan använda den kostnadsfria prisnivån (F0) för att prova tjänsten och uppgradera senare till en betald nivå för produktion.

Skapa dina anpassade modeller

Först behöver du en uppsättning anpassade modeller för att skapa. Du kan använda dokumentinformationsstudion, REST-API:et eller klientbiblioteken. Stegen är följande:

• Montera din träningsdatauppsättning
• Ladda upp träningsuppsättningen till Azure Blob Storage
• Träna dina anpassade modeller

Montera din träningsdatauppsättning

Att skapa en anpassad modell börjar med att upprätta din träningsdatauppsättning. Du behöver minst fem ifyllda formulär av samma typ för din exempeldatauppsättning. De kan ha olika filtyper (jpg, png, pdf, tiff) och innehålla både text och handskrift. Dina formulär måste följa indatakraven för Dokumentinformation.

Dricks

Följ dessa tips för att optimera din datamängd för träning:

• Använd om möjligt textbaserade PDF-dokument i stället för bildbaserade dokument. Skannade PDF-filer hanteras som bilder.
• För ifyllda formulär ska du använda exempel som innehåller alla fält ifyllda.
• Använd formulär med olika värden i varje fält.
• Om formulärbilderna har lägre kvalitet använder du en större datamängd (till exempel 10–15 bilder).

Se Skapa en träningsdatauppsättning för tips om hur du samlar in dina träningsdokument.

Ladda upp din träningsdatauppsättning

När du har samlat in en uppsättning träningsdokument måste du ladda upp dina träningsdata till en Azure Blob Storage-container.

Om du vill använda manuellt märkta data måste du ladda upp de .labels.json och .ocr.json filer som motsvarar dina träningsdokument.

Träna din anpassade modell

När du tränar din modell med märkta data använder modellen övervakad inlärning för att extrahera värden av intresse med hjälp av de märkta formulär som du anger. Märkta data resulterar i bättre presterande modeller och kan skapa modeller som fungerar med komplexa formulär eller formulär som innehåller värden utan nycklar.

Dokumentinformation använder det fördefinierade layoutmodell-API :et för att lära sig de förväntade storlekarna och positionerna för typsnitt och handskrivna textelement och extrahera tabeller. Sedan används användardefinierade etiketter för att lära sig nyckel-/värdeassociationer och tabeller i dokumenten. Vi rekommenderar att du använder fem manuellt märkta former av samma typ (samma struktur) för att komma igång med att träna en ny modell. Lägg sedan till mer märkta data efter behov för att förbättra modellens noggrannhet. Med Dokumentinformation kan du träna en modell för att extrahera nyckel/värde-par och tabeller med hjälp av övervakade inlärningsfunktioner.

Document Intelligence Studio

Om du vill skapa anpassade modeller börjar du med att konfigurera projektet:

1. På startsidan för Studio väljer du Skapa ny från kortet Anpassad modell.

2. ➕ Använd kommandot Skapa ett projekt för att starta den nya projektkonfigurationsguiden.

3. Ange projektinformation, välj Azure-prenumerationen och resursen och Azure Blob Storage-containern som innehåller dina data.

4. Granska, skicka dina inställningar och skapa projektet.

När du skapar dina anpassade modeller kan du behöva extrahera datasamlingar från dina dokument. Samlingarna kan visas som ett av två format. Använda tabeller som visuellt mönster:

• Dynamiskt eller variabelt antal värden (rader) för en viss uppsättning fält (kolumner)

• Specifik samling värden för en viss uppsättning fält (kolumner och/eller rader)

Se Document Intelligence Studio: etikettering som tabeller

REST-API

Träning med etiketter ger bättre prestanda i vissa scenarier. Om du vill träna med etiketter måste du ha särskilda etikettinformationsfiler (<filnamn>.pdf.labels.json) i bloblagringscontainern tillsammans med träningsdokumenten.

Etikettfiler innehåller nyckel/värde-associationer som en användare anger manuellt och som behövs för etiketterad dataträning. Alla källfiler behöver dock inte ha en motsvarande etikettfil. Källfiler utan etiketter behandlas som vanliga träningsdokument. Vi rekommenderar fem eller fler märkta filer för tillförlitlig träning. Du kan använda ett gränssnittsverktyg som Document Intelligence Studio för att generera dessa filer.

Etikettfiler innehåller nyckel/värde-associationer som en användare angav manuellt. Filerna behövs för dataträning med etiketter, men alla källfiler behöver inte ha en motsvarande etikettfil. Källfiler utan etiketter behandlas som vanliga träningsdokument. Vi rekommenderar fem eller fler märkta filer för tillförlitlig träning. Du kan använda ett gränssnittsverktyg som Document Intelligence Studio för att generera dessa filer.

När du har dina etikettfiler kan du inkludera dem med genom att anropa träningsmetoden med parametern useLabelFile inställd på true.

Klientbibliotek

Träning med etiketter ger bättre prestanda i vissa scenarier. Om du vill träna med etiketter måste du ha särskilda etikettinformationsfiler (<filnamn>.pdf.labels.json) i bloblagringscontainern tillsammans med träningsdokumenten. När du har dem kan du anropa träningsmetoden med parametern useTrainingLabels inställd på true.

Språk	Metod
C#	StartBuildModel
Java	beginBuildModel
JavaScript	beginBuildModel
Python	begin_build_document_model

Skapa en sammansatt modell

Kommentar

åtgärden create compose model är endast tillgänglig för anpassade modeller som tränats med etiketter. Om du försöker skapa omärkta modeller uppstår ett fel.

Med åtgärden skapa skrivmodell kan du tilldela upp till 100 tränade anpassade modeller till ett enda modell-ID. När du analyserar dokument med en sammansatt modell klassificerar Document Intelligence först formuläret du skickade, väljer sedan den bästa matchande tilldelade modellen och returnerar resultat för modellen. Den här åtgärden är användbar när inkommande formulär kan tillhöra en av flera mallar.

Document Intelligence Studio

När träningsprocessen har slutförts kan du börja skapa din sammansatta modell. Här följer stegen för att skapa och använda sammansatta modeller:

• Samla in dina anpassade modell-ID:er
• Skapa dina anpassade modeller
• Analysera dokument
• Hantera dina sammansatta modeller

Samla in dina modell-ID:t

När du tränar modeller med hjälp av Document Intelligence Studio finns modell-ID:t på modellmenyn under ett projekt:

Skapa dina anpassade modeller

1. Välj ett projekt för anpassade modeller.

2. I projektet väljer du Models menyalternativet.

3. I den resulterande listan över modeller väljer du de modeller som du vill skapa.

4. Välj knappen Skriv i det övre vänstra hörnet.

5. I popup-fönstret namnger du din nyskapade modell och väljer Skriv.

6. När åtgärden är klar visas din nyskapade modell i listan.

7. När modellen är klar använder du kommandot Test för att verifiera den med dina testdokument och observera resultaten.

Analysera dokument

Den anpassade modellanalysåtgärden modelID kräver att du anger i anropet till Dokumentinformation. Du bör ange det sammansatta modell-ID:t för parametern modelID i dina program.

Hantera dina sammansatta modeller

Du kan hantera dina anpassade modeller under hela livscykeln:

• Testa och verifiera nya dokument.
• Ladda ned din modell som ska användas i dina program.
• Ta bort din modell när dess livscykel är klar.

REST-API

När träningsprocessen har slutförts kan du börja skapa din sammansatta modell. Här följer stegen för att skapa och använda sammansatta modeller:

• Skapa dina anpassade modeller
• Analysera dokument
• Hantera dina sammansatta modeller

Skapa dina anpassade modeller

API:et för sammansatta modeller accepterar en lista över modell-ID:n som ska bestå.

Analysera dokument

Om du vill göra en analysera dokumentbegäran använder du ett unikt modellnamn i begärandeparametrarna.

Hantera dina sammansatta modeller

Du kan hantera anpassade modeller i dina utvecklingsbehov, inklusive kopiering, listning och borttagning av dina modeller.

Klientbibliotek

När träningsprocessen har slutförts kan du börja skapa din sammansatta modell. Här följer stegen för att skapa och använda sammansatta modeller:

• Skapa en sammansatt modell
• Analysera dokument
• Hantera dina sammansatta modeller

Skapa en sammansatt modell

Du kan använda valfritt programmeringsspråk för att skapa en sammansatt modell:

Programmeringsspråk	Kodexempel
C#	Skapa modell
Java	Skapa modell
JavaScript	Skapa modell
Python	Skapa en sammansatt modell

Analysera dokument

När du har skapat din sammansatta modell kan du använda den för att analysera formulär och dokument. Använd din sammansatta model ID och låt tjänsten bestämma vilka av dina aggregerade anpassade modeller som passar bäst enligt det angivna dokumentet.

Programmeringsspråk	Kodexempel
C#	Analysera ett dokument med en anpassad/sammansatt modell med hjälp av modell-ID
Java	Analysera ett dokument med en anpassad/sammansatt modell med hjälp av modell-ID
JavaScript	Analysera ett dokument med en anpassad/sammansatt modell med hjälp av modell-ID
Python	Analysera ett dokument med en anpassad/sammansatt modell med hjälp av modell-ID

Hantera dina sammansatta modeller

Du kan hantera en anpassad modell i varje steg i dess livscykel. Du kan kopiera en anpassad modell mellan resurser, visa en lista över alla anpassade modeller under din prenumeration, hämta information om en specifik anpassad modell och ta bort anpassade modeller från ditt konto.

Programmeringsspråk	Kodexempel
C#	Kopiera en anpassad modell mellan dokumentinformationsresurser
Java	Kopiera en anpassad modell mellan dokumentinformationsresurser
JavaScript	Kopiera en anpassad modell mellan dokumentinformationsresurser
Python	Kopiera en anpassad modell mellan dokumentinformationsresurser

Toppen! Du har lärt dig stegen för att skapa anpassade och sammansatta modeller och använda dem i dina dokumentinformationsprojekt och program.

Nästa steg

Prova någon av våra snabbstarter för dokumentinformation:

Document Intelligence Studio

REST-API

C#

Java

JavaScript

Python