Установка и запуск контейнеров

Следующий пример кода является автономным docker compose примером для запуска контейнера макета аналитики документов. При работе в docker compose используйте файл YAML для настройки служб приложения. Затем с помощью команды вы создадите docker-compose up и запустите все службы из конфигурации. Введите значения {FORM_RECOGNIZER_ENDPOINT_URI} и {FORM_RECOGNIZER_KEY} для экземпляра контейнера Макета.

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

Теперь можно запустить службу с помощью команды docker compose.

docker-compose up

Следующий пример кода является автономным docker compose примером для запуска контейнера общего документа аналитики документов. При работе в docker compose используйте файл YAML для настройки служб приложения. Затем с помощью команды docker-compose up вы создаете и запускаете все службы из своей конфигурации. Введите значения {FORM_RECOGNIZER_ENDPOINT_URI} и {FORM_RECOGNIZER_KEY} для экземпляров контейнеров общего документа и макета.

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}

Теперь можно запустить службу с помощью команды docker compose.

docker-compose up

Учитывая ресурсы на компьютере, контейнер "Общие документы" может занять некоторое время для запуска.

Следующий пример кода является автономным docker compose примером для запуска контейнера макета аналитики документов. При работе в docker compose используйте файл YAML для настройки служб приложения. Затем с помощью команды docker-compose up вы создаете и запускаете все службы из своей конфигурации. Введите значения {FORM_RECOGNIZER_ENDPOINT_URI} и {FORM_RECOGNIZER_KEY} для экземпляра контейнера Макета.

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

Теперь можно запустить службу с помощью команды docker compose.

docker-compose up

Следующий пример кода является автономным docker compose примером для запуска контейнера "Аналитика документов". При работе в docker compose используйте файл YAML для настройки служб приложения. Затем с помощью команды docker-compose up вы создаете и запускаете все службы из своей конфигурации. Введите значения {FORM_RECOGNIZER_ENDPOINT_URI} и {FORM_RECOGNIZER_KEY} для экземпляров контейнеров "Счет" и "Макет".

Вы должны использовать образ макета общедоступной версии 3.1 в качестве вышестоящего плана для моделей выставления счетов 3.0 GA и 3.1 GA.

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}

Теперь можно запустить службу с помощью команды docker compose.

docker-compose up

Следующий пример кода является автономным docker compose примером для запуска контейнера общего документа аналитики документов. При работе в docker compose используйте файл YAML для настройки служб приложения. Затем с помощью команды docker-compose up вы создаете и запускаете все службы из своей конфигурации. Введите значения {FORM_RECOGNIZER_ENDPOINT_URI} и {FORM_RECOGNIZER_KEY} для экземпляров контейнеров квитанции и чтения.

Вы можете использовать изображение макета общедоступной версии 3.1 в качестве вышестоящего элемента вместо изображения чтения.

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}

Теперь можно запустить службу с помощью команды docker compose.

docker-compose up

Следующий пример кода является автономным docker compose примером для запуска контейнера общего документа аналитики документов. При работе в docker compose используйте файл YAML для настройки служб приложения. Затем с помощью команды docker-compose up вы создаете и запускаете все службы из своей конфигурации. Введите значения {FORM_RECOGNIZER_ENDPOINT_URI} и {FORM_RECOGNIZER_KEY} для экземпляров идентификатора и чтения контейнеров.

Вы можете использовать изображение макета общедоступной версии 3.1 в качестве вышестоящего элемента вместо изображения чтения.

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}

Теперь можно запустить службу с помощью команды 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}

Помимо предварительных требований, необходимо выполнить следующие действия, чтобы обработать пользовательский документ:

Создайте папку и сохраните следующие файлы

• .env
• nginx.conf
• docker-compose.yml

Создание папки и хранение входных данных

• Присвойте этому файлу папки имя.
• Мы ссылаемся на путь к файлу для этой папки как {FILE_MOUNT_PATH}.
• Скопируйте путь к файлу в удобном расположении, необходимо добавить его в env-файл . Например, если папка называется файлами, расположенными в той же папке, что docker-compose и файл, запись ENV-файла является FILE_MOUNT_PATH="./files"

Создайте папку для хранения журналов, написанных службой аналитики документов на локальном компьютере.

• Назовите эту папку output.
• Мы ссылаемся на путь к файлу для этой папки как {OUTPUT_MOUNT_PATH}.
• Скопируйте путь к файлу в удобном расположении, необходимо добавить его в env-файл . Как пример, если папка называется выходными данными, расположенными в той же папке, что docker-compose и файл, запись ENV-файла является OUTPUT_MOUNT_PATH="./output"

Создание папки для хранения общего доступа к внутренней обработке между контейнерами

• Назовите эту папку shared.
• Мы ссылаемся на путь к файлу для этой папки как {SHARED_MOUNT_PATH}.
• Скопируйте путь к файлу в удобном расположении, необходимо добавить его в env-файл . Например, если папка называется общей, расположенная в той же папке, что docker-compose и файл, запись env-файла имеет значение SHARED_MOUNT_PATH="./shared"

Создание папки для Студии для хранения связанных с проектом сведений

• Назовите эту базу данных папок.
• Мы ссылаемся на путь к файлу для этой папки как {DB_MOUNT_PATH}.
• Скопируйте путь к файлу в удобном расположении, необходимо добавить его в env-файл . Как пример, если папка называется db, расположенная в той же папке, что docker-compose и файл, запись ENV-файла имеет значение DB_MOUNT_PATH="./db"

Создание файла среды

1. Назовите этот файл .env.

2. Настройте следующие переменные среды.

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"

Создание файла nginx

1. Назовите этот файл nginx.conf.

2. Укажите следующую конфигурацию.

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;
        }
    }
}

Создание файла создания docker

1. Назовите этот файл docker-compose.yml.

2. Следующий пример кода — это автономный docker compose пример для запуска контейнеров шаблонов аналитики документов, Студии и пользовательских шаблонов. При работе в docker compose используйте файл YAML для настройки служб приложения. Затем с помощью команды docker-compose up вы создаете и запускаете все службы из своей конфигурации.

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)

Пользовательский контейнер шаблона и контейнер макета могут использовать служба хранилища Azure очереди или в очередях памяти. Storage:ObjectStore:AzureBlob:ConnectionString queue:azure:connectionstring Переменные среды и переменные среды должны быть заданы только в том случае, если вы используете служба хранилища Azure очереди. При локальном запуске удалите эти переменные.

Убедитесь, что служба запущена.

Необходимо проверить, что служба запущена и работает. Выполните эти команды в оболочке Ubuntu.

$cd <folder containing the docker-compose file>

$source .env

$docker-compose up

Для контейнеров пользовательских шаблонов требуется несколько различных конфигураций и поддержка других необязательных конфигураций.

Обучение модели с помощью Document Intelligence Studio

• Соберите по крайней мере пять форм одного типа. Эти данные используются для обучения модели и тестирования формы. Можно использовать образец набора данных (загрузите и распакуйте sample_data.zip).

• Убедившись, что контейнеры запущены, откройте браузер и перейдите к конечной точке, в которой развернуты контейнеры. Если это развертывание является локальным компьютером, конечная точка .[http://localhost:5001](http://localhost:5001)

• Выберите плитку пользовательской модели извлечения.

• Create project Выберите параметр.

• Укажите имя проекта и при необходимости описание

• На шаге "Настройка ресурса" укажите конечную точку пользовательской модели шаблона. Если вы развернули контейнеры на локальном компьютере, используйте этот URL-адрес [http://localhost:5000](http://localhost:5000).

• Укажите вложенную папку, в которой данные обучения находятся в папке файлов.

• Наконец, создайте проект

Теперь у вас должен быть созданный проект, готовый к маркировке. Отправьте данные обучения и начните работу с метками. Если вы не знакомы с метками, ознакомьтесь со сборкой и обучением пользовательской модели.

Обучение с помощью API

Если вы планируете вызывать API-интерфейсы непосредственно для обучения модели, для обучения пользовательской модели шаблона API требуется ZIP-файл в кодировке Base64, который является содержимым проекта маркировки. Вы можете опустить PDF-файлы или файлы изображений и отправлять только JSON-файлы.

Получив метку набора данных и *.ocr.json, *.labels.json и файлы fields.json, добавленные в ZIP-файл, используйте команды PowerShell для создания строки в кодировке Base64.

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

Используйте API модели сборки для отправки запроса.

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"
     }
}