Installera och köra containrar

Artikel
01/17/2024

Stöd för containrar är för närvarande tillgängligt med document intelligence-versionen 2022-08-31 (GA) för alla modeller och 2023-07-31 (GA) endast för skrivskyddad och layout:

✔️ Se Installera och köra Dokumentinformation v3.0-containrar för containerdokumentation som stöds.

Det här innehållet gäller för:v3.0 (GA)v3.1 (GA)

Azure AI Document Intelligence är en Azure AI-tjänst som gör att du kan skapa automatiserad databehandlingsprogramvara med hjälp av maskininlärningsteknik. Med Dokumentinformation kan du identifiera och extrahera text, nyckel/värde-par, markeringsmarkeringar, tabelldata med mera från dina dokument. Resultaten levereras som strukturerade data som .. /innehåller relationerna i den ursprungliga filen.

I den här artikeln lär du dig hur du laddar ned, installerar och kör dokumentinformationscontainrar. Med containrar kan du köra dokumentinformationstjänsten i din egen miljö. Containrar är bra för specifika säkerhets- och datastyrningskrav.

Läs- och layoutmodeller stöds av Dokumentinformation v3.1-containrar.
Läs-, layout-, allmänt dokument-, ID-dokument, kvitto, faktura, visitkort och anpassade modeller stöds av Document Intelligence v3.0-containrar.
Visitkortsmodellen stöds för närvarande endast i v2.1-containrarna.

Förutsättningar

För att komma igång behöver du ett aktivt Azure-konto. Om du inte har någon, kan du skapa ett kostnadsfritt konto.

Du behöver också följande för att använda dokumentinformationscontainrar:

Obligatoriskt	Syfte
Kunskaper om Docker	Du bör ha en grundläggande förståelse för Docker-begrepp, till exempel register, lagringsplatser, containrar och containeravbildningar, samt kunskaper om grundläggande `docker`terminologi och kommandon.
Docker Engine installerat	Du behöver Docker-motorn installerad på en värddator. Docker innehåller paket som konfigurerar Docker-miljön på macOS, Windows och Linux. En introduktion till grunderna för Docker och containrar finns i Docker-översikt. Docker måste konfigureras så att containrarna kan ansluta till och skicka faktureringsdata till Azure. I Windows måste Docker också konfigureras för att stödja Linux-containrar .
Dokumentinformationsresurs	En azure AI-dokumentinformation med en enda tjänst eller en resurs med flera tjänster i Azure-portalen. Om du vill använda containrarna måste du ha den associerade nyckeln och slutpunkts-URI:n. Båda värdena är tillgängliga på sidan dokumentinformationsnycklar och slutpunkt i Azure-portalen: {FORM_RECOGNIZER_KEY}: en av de två tillgängliga resursnycklarna. {FORM_RECOGNIZER_ENDPOINT_URI}: slutpunkten för den resurs som används för att spåra faktureringsinformation.

Valfritt	Syfte
Azure CLI (kommandoradsgränssnitt)	Med Azure CLI kan du använda en uppsättning onlinekommandon för att skapa och hantera Azure-resurser. Den är tillgänglig för installation i Windows-, macOS- och Linux-miljöer och kan köras i en Docker-container och Azure Cloud Shell.

Krav för värddator

Värden är en x64-baserad dator som kör Docker-containern. Det kan vara en dator lokalt eller en Docker-värdtjänst i Azure, till exempel:

Azure Kubernetes Service.
Azure Container Instances.
Ett Kubernetes-kluster som distribuerats till Azure Stack. Mer information finns i Distribuera Kubernetes till Azure Stack.

Krav och rekommendationer för containrar

Nödvändiga stödcontainrar

I följande tabell visas stödcontainrar för varje dokumentinformationscontainer som du laddar ned. Mer information finns i avsnittet Fakturering .

Funktionscontainer	Stöd för containrar
Läs	Krävs inte
Layout	Krävs inte
Visitkort	Läs
Allmänt dokument	Layout
Faktura	Layout
Mottagandet	Läsa eller layout
ID-dokument	Läs
Anpassad mall	Layout

Rekommenderade processorkärnor och minne

Kommentar

De lägsta och rekommenderade värdena baseras på Docker-gränser och inte på värddatorresurserna.

Dokumentinformationscontainrar

Behållare	Lägsta	Rekommenderas
`Read`	`8` kärnor, 10 GB minne	`8` kärnor, 24 GB minne
`Layout`	`8` kärnor, 16 GB minne	`8` kärnor, 24 GB minne
`Business Card`	`8` kärnor, 16 GB minne	`8` kärnor, 24 GB minne
`General Document`	`8` kärnor, 12 GB minne	`8` kärnor, 24 GB minne
`ID Document`	`8` kärnor, 8 GB minne	`8` kärnor, 24 GB minne
`Invoice`	`8` kärnor, 16 GB minne	`8` kärnor, 24 GB minne
`Receipt`	`8` kärnor, 11 GB minne	`8` kärnor, 24 GB minne
`Custom Template`	`8` kärnor, 16 GB minne	`8` kärnor, 24 GB minne

Varje kärna måste vara minst 2,6 gigahertz (GHz) eller snabbare.
Kärna och minne motsvarar --cpus inställningarna och --memory som används som en del av docker compose kommandot eller docker run .

Dricks

Du kan använda kommandot docker images för att visa en lista över dina nedladdade containeravbildningar. Följande kommando visar till exempel ID, lagringsplats och tagg för varje nedladdad containeravbildning, formaterad som en tabell:

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

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

Kör containern med kommandot docker-compose up

Ersätt värdena {ENDPOINT_URI} och {API_KEY} med resursens slutpunkts-URI och nyckeln från Azure-resurssidan.
Se till att eula-värdet är inställt på att acceptera.
Värdena EULA, Billingoch ApiKey måste anges. Annars kan containern inte starta.

Viktigt!

Nycklarna används för att komma åt dokumentinformationsresursen. Dela inte dina nycklar. Lagra dem på ett säkert sätt, till exempel med hjälp av Azure Key Vault. Vi rekommenderar också att du återskapar nycklarna regelbundet. Endast en nyckel krävs för att göra ett API-anrop. När du återskapar den första nyckeln kan du använda den andra nyckeln för fortsatt åtkomst till tjänsten.

Följande kodexempel är ett fristående docker compose exempel för att köra containern Document Intelligence Layout. Med docker composeanvänder du en YAML-fil för att konfigurera programmets tjänster. docker-compose up Med kommandot skapar och startar du sedan alla tjänster från konfigurationen. Ange {FORM_RECOGNIZER_ENDPOINT_URI} och {FORM_RECOGNIZER_KEY} värden för din layoutcontainerinstans.

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

Nu kan du starta tjänsten med kommandot docker compose :

docker-compose up

Följande kodexempel är ett fristående docker compose exempel för att köra containern Allmänna dokument för dokumentinformation. Med docker composeanvänder du en YAML-fil för att konfigurera programmets tjänster. docker-compose up Med kommandot skapar och startar du sedan alla tjänster från konfigurationen. Ange {FORM_RECOGNIZER_ENDPOINT_URI} och {FORM_RECOGNIZER_KEY} värden för dina allmänna containerinstanser för dokument och layout.

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}

Nu kan du starta tjänsten med kommandot docker compose :

docker-compose up

Med tanke på resurserna på datorn kan det ta lite tid att starta containern Allmänt dokument.

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

Nu kan du starta tjänsten med kommandot docker compose :

docker-compose up

Följande kodexempel är ett fristående docker compose exempel för att köra containern Document Intelligence Invoice. Med docker composeanvänder du en YAML-fil för att konfigurera programmets tjänster. docker-compose up Med kommandot skapar och startar du sedan alla tjänster från konfigurationen. Ange {FORM_RECOGNIZER_ENDPOINT_URI} och {FORM_RECOGNIZER_KEY} värden för containerinstanserna Faktura och Layout.

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}

Nu kan du starta tjänsten med kommandot docker compose :

docker-compose up

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}

Nu kan du starta tjänsten med kommandot docker compose :

docker-compose up

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}

Nu kan du starta tjänsten med kommandot docker compose :

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}

Utöver kraven måste du göra följande för att bearbeta ett anpassat dokument:

Skapa en mapp för att lagra följande filer

.Env
nginx.conf
docker-compose.yml

Skapa en mapp för att lagra dina indata

Namnge de här mappfilerna.
Vi refererar till filsökvägen för den här mappen som {FILE_MOUNT_PATH}.
Kopiera filsökvägen på en lämplig plats. Du måste lägga till den i .env-filen . Om mappen till exempel kallas för filer, som finns i samma mapp som docker-compose filen, är .env-filposten FILE_MOUNT_PATH="./files"

Skapa en mapp för att lagra loggarna som skrivits av dokumentinformationstjänsten på den lokala datorn

Namnge den här mappens utdata.
Vi refererar till filsökvägen för den här mappen som {OUTPUT_MOUNT_PATH}.
Kopiera filsökvägen på en lämplig plats. Du måste lägga till den i .env-filen . Som ett exempel om mappen kallas utdata, som finns i samma mapp som docker-compose filen, är .env-filposten OUTPUT_MOUNT_PATH="./output"

Skapa en mapp för lagring av intern bearbetning som delas mellan containrarna

Namnge den delade mappen.
Vi refererar till filsökvägen för den här mappen som {SHARED_MOUNT_PATH}.
Kopiera filsökvägen på en lämplig plats. Du måste lägga till den i .env-filen . Om mappen till exempel kallas delad i samma mapp som docker-compose filen är .env-filposten SHARED_MOUNT_PATH="./shared"

Namnge den här mappdatabasen.
Vi refererar till filsökvägen för den här mappen som {DB_MOUNT_PATH}.
Kopiera filsökvägen på en lämplig plats. Du måste lägga till den i .env-filen . Om mappen till exempel heter db, som finns i samma mapp som docker-compose filen, är .env-filposten DB_MOUNT_PATH="./db"

Skapa en miljöfil

Ge den här filen namnet .env.
Deklarera följande miljövariabler:

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"

Skapa en nginx-fil

Ge filen namnet nginx.conf.
Ange följande konfiguration:

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;
        }
    }
}

Skapa en docker compose-fil

Namnge den här filen docker-compose.yml
Följande kodexempel är ett fristående docker compose exempel för att köra containrar för dokumentinformationslayout, Studio och anpassad mall tillsammans. Med docker composeanvänder du en YAML-fil för att konfigurera programmets tjänster. docker-compose up Med kommandot skapar och startar du sedan alla tjänster från konfigurationen.

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)

Den anpassade mallcontainern kan använda Azure Storage-köer eller i minnesköer. Miljövariablerna Storage:ObjectStore:AzureBlob:ConnectionString och queue:azure:connectionstring behöver bara anges om du använder Azure Storage-köer. När du kör lokalt tar du bort dessa variabler.

Kontrollera att tjänsten körs

För att säkerställa att tjänsten är igång. Kör dessa kommandon i ett Ubuntu-gränssnitt.

$cd <folder containing the docker-compose file>

$source .env

$docker-compose up

Anpassade mallcontainrar kräver några olika konfigurationer och stöder andra valfria konfigurationer

Inställning	Obligatoriskt	Beskrivning
EULA	Ja	Exempel på licensgodkännande: Eula=accept
Fakturering	Ja	Faktureringsslutpunkts-URI för FR-resursen
ApiKey	Ja	Slutpunktsnyckeln för FR-resursen
Kö:Azure:Anslut ionString	Nej	Azure Queue anslutningssträng
Storage:ObjectStore:AzureBlob:Anslut ionString	Nej	Azure Blob anslutningssträng
HealthCheck:MemoryUpperboundInMB	Nej	Minneströskel för att rapportera felfritt till livskraft. Standard: Samma som rekommenderat minne
StorageTimeToLiveInMinutes	Nej	TTL-varaktighet för att ta bort alla mellanliggande och slutgiltiga filer. Standard: Två dagar kan TTL ange mellan fem minuter och sju dagar
Uppgift:MaxRunningTimeSpanInMinutes	Nej	Maximal körningstid för behandling av begäran som tidsgräns. Standard: 60 minuter
HTTP_PROXY_BYPASS_URLS	Nej	Ange URL:er för att kringgå proxyexempel: HTTP_PROXY_BYPASS_URLS = abc.com, xyz.com
AzureCognitiveServiceReadHost (endast kvitto, IdDocument-containrar)	Ja	Ange Read container uri Example:AzureCognitiveServiceReadHost=http://onprem-frread:5000
AzureCognitiveServiceLayoutHost (endast dokument, fakturacontainrar)	Ja	Ange uri för layoutcontainer: Exempel:AzureCognitiveServiceLayoutHost=http://onprem-frlayout:5000

Använda Document Intelligence Studio för att träna en modell

Samla in en uppsättning med minst fem former av samma typ. Du använder dessa data för att träna modellen och testa ett formulär. Du kan använda en exempeldatauppsättning (ladda ned och extrahera sample_data.zip).
När du kan bekräfta att containrarna körs öppnar du en webbläsare och navigerar till slutpunkten där du har distribuerat containrarna. Om den här distributionen är din lokala dator är [http://localhost:5000](http://localhost:5000)slutpunkten .
Välj panelen för den anpassade extraheringsmodellen.
Välj alternativet Create project .
Ange ett projektnamn och eventuellt en beskrivning
I steget "konfigurera din resurs" anger du slutpunkten till din anpassade mallmodell. Om du har distribuerat containrarna på den lokala datorn använder du den här URL:en [http://localhost:5000](http://localhost:5000).
Ange en undermapp för var dina träningsdata finns i filmappen.
Skapa slutligen projektet

Nu bör du skapa ett projekt som är redo för etikettering. Ladda upp dina träningsdata och kom igång med etikettering. Om du inte har använt etiketter tidigare kan du läsa skapa och träna en anpassad modell

Använda API:et för att träna

Om du planerar att anropa API:erna direkt för att träna en modell kräver tränings-API:et för den anpassade mallmodellen en base64-kodad zip-fil som är innehållet i ditt etikettprojekt. Du kan utelämna PDF- eller bildfilerna och endast skicka JSON-filerna.

När du har fått din datauppsättning märkt och *.ocr.json, *.labels.json och fields.json filer som lagts till i en zip använder du PowerShell-kommandona för att generera den base64-kodade strängen.

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

Använd byggmodell-API:et för att publicera begäran.

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"
     }
}

Verifiera att tjänsten körs

Det finns flera sätt att verifiera att containern körs:

Containern tillhandahåller en startsida på \ som en visuell validering som containern körs på.

Du kan öppna din favoritwebbläsare och gå till den externa IP-adressen och den exponerade porten för containern i fråga. Använd url:erna för den angivna begäran för att verifiera att containern körs. Url:erna för begärande i listan är http://localhost:5000, men din specifika container kan variera. Tänk på att du navigerar till containerns externa IP-adress och exponerade port.

Begäran-URL	Syfte
http:// localhost:5000/	Containern tillhandahåller en startsida.
http:// localhost:5000/ready	Den här begäran begärs med GET och ger en verifiering av att containern är redo att acceptera en fråga mot modellen. Den här begäran kan användas för Kubernetes liveness- och beredskapsavsökningar.
http:// localhost:5000/status	Begärd med GET verifierar den här begäran om api-nyckeln som används för att starta containern är giltig utan att orsaka en slutpunktsfråga. Den här begäran kan användas för Kubernetes liveness- och beredskapsavsökningar.
http:// localhost:5000/swagger	Containern tillhandahåller en fullständig uppsättning dokumentation för slutpunkterna samt en Prova-funktion. Med den här funktionen kan du ange inställningarna i ett webbaserat HTML-formulär och göra frågan utan att behöva skriva någon kod. När frågan har returnerats tillhandahålls ett exempel på ETT CURL-kommando för att demonstrera nödvändiga HTTP-huvuden och brödtextformat.

Screenshot of Azure containers welcome page.

Stoppa containrarna

Om du vill stoppa containrarna använder du följande kommando:

docker-compose down

Fakturering

Dokumentinformationscontainrarna skickar faktureringsinformation till Azure med hjälp av en dokumentinformationsresurs på ditt Azure-konto.

Frågor till containern faktureras på prisnivån för den Azure-resurs som används för API Key:et . Du debiteras för varje containerinstans som används för att bearbeta dokument och avbildningar.

Ansluta till Azure

Containern behöver faktureringsargumentvärdena för att köras. Med de här värdena kan containern ansluta till faktureringsslutpunkten. Containern rapporterar användning var 10:e till 15:e minut. Om containern inte ansluter till Azure inom den tillåtna tidsperioden fortsätter containern att köras, men hanterar inte frågor förrän faktureringsslutpunkten har återställts. Anslutningen görs 10 gånger med samma tidsintervall på 10 till 15 minuter. Om den inte kan ansluta till faktureringsslutpunkten inom de 10 försöken slutar containern att hantera begäranden. Se vanliga frågor och svar om Azure AI-container för ett exempel på den information som skickas till Microsoft för fakturering.

Faktureringsargument

Kommandot docker-compose up startar containern när alla tre av följande alternativ har giltiga värden:

Alternativ	Description
`ApiKey`	Nyckeln för azure AI-tjänstresursen som används för att spåra faktureringsinformation. Värdet för det här alternativet måste anges till en nyckel för den etablerade resursen som anges i `Billing`.
`Billing`	Slutpunkten för azure AI-tjänstresursen som används för att spåra faktureringsinformation. Värdet för det här alternativet måste anges till slutpunkts-URI:n för en etablerad Azure-resurs.
`Eula`	Anger att du har godkänt licensen för containern. Värdet för det här alternativet måste vara inställt på att acceptera.

Mer information om de här alternativen finns i Konfigurera containrar.

Sammanfattning

Det var allt! I den här artikeln har du lärt dig begrepp och arbetsflöden för att ladda ned, installera och köra dokumentinformationscontainrar. Sammanfattningsvis:

Dokumentinformation tillhandahåller sju Linux-containrar för Docker.
Containeravbildningar laddas ned från mcr.
Containeravbildningar körs i Docker.
Faktureringsinformationen måste anges när du instansierar en container.

Viktigt!

Azure AI-containrar är inte licensierade att köras utan att vara anslutna till Azure för mätning. Kunder måste göra det möjligt för containrarna att kommunicera faktureringsinformation med mätningstjänsten hela tiden. Azure AI-containrar skickar inte kunddata (till exempel den bild eller text som analyseras) till Microsoft.

Installera och köra containrar

Förutsättningar

Krav för värddator

Krav och rekommendationer för containrar

Nödvändiga stödcontainrar

Rekommenderade processorkärnor och minne

Dokumentinformationscontainrar

Kör containern med kommandot docker-compose up

Skapa en mapp för att lagra följande filer

Skapa en mapp för att lagra dina indata

Skapa en mapp för att lagra loggarna som skrivits av dokumentinformationstjänsten på den lokala datorn

Skapa en mapp för lagring av intern bearbetning som delas mellan containrarna

Skapa en miljöfil

Skapa en nginx-fil

Skapa en docker compose-fil

Kontrollera att tjänsten körs

Använda Document Intelligence Studio för att träna en modell

Använda API:et för att träna

Verifiera att tjänsten körs

Stoppa containrarna

Fakturering

Ansluta till Azure

Faktureringsargument

Sammanfattning

Nästa steg

Ytterligare resurser