Installieren und Ausführen von Containern

Das folgende Codebeispiel ist ein eigenständiges Beispiel für docker compose zum Ausführen des Layoutcontainers von Dokument Intelligenz. Bei docker compose verwenden Sie eine YAML-Datei, um die Dienste Ihrer Anwendung zu konfigurieren. Dann erstellen und starten Sie mit dem Befehl docker-compose up alle Dienste aus Ihrer Konfiguration. Geben Sie die Werte für {FORM_RECOGNIZER_ENDPOINT_URI} und {{FORM_RECOGNIZER_KEY} für Ihre Containerinstanz „Layout“ ein.

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

Jetzt können Sie den Dienst mit dem Befehl docker compose starten:

docker-compose up

Das folgende Codebeispiel ist ein eigenständiges Beispiel für docker compose zum Ausführen des Containers für „Allgemeines Dokument“ von Dokument Intelligenz. Bei docker compose verwenden Sie eine YAML-Datei, um die Dienste Ihrer Anwendung zu konfigurieren. Dann erstellen und starten Sie mit dem Befehl docker-compose up alle Dienste aus Ihrer Konfiguration. Geben Sie die Werte für {FORM_RECOGNIZER_ENDPOINT_URI} und {FORM_RECOGNIZER_KEY} für Ihre Containerinstanzen „Allgemeines Dokument" und „Layout“ ein.

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}

Jetzt können Sie den Dienst mit dem Befehl docker compose starten:

docker-compose up

Angesichts der Ressourcen auf dem Computer kann es einige Zeit dauern, bis der Container „Allgemeines Dokument“ gestartet wird.

Das folgende Codebeispiel ist ein eigenständiges Beispiel für docker compose zum Ausführen des Layoutcontainers von Dokument Intelligenz. Bei docker compose verwenden Sie eine YAML-Datei, um die Dienste Ihrer Anwendung zu konfigurieren. Dann erstellen und starten Sie mit dem Befehl docker-compose up alle Dienste aus Ihrer Konfiguration. Geben Sie die Werte für {FORM_RECOGNIZER_ENDPOINT_URI} und {{FORM_RECOGNIZER_KEY} für Ihre Containerinstanz „Layout“ ein.

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

Jetzt können Sie den Dienst mit dem Befehl docker compose starten:

docker-compose up

Das folgende Codebeispiel ist ein eigenständiges Beispiel für docker compose zum Ausführen des Rechnungscontainers von Dokument Intelligenz. Bei docker compose verwenden Sie eine YAML-Datei, um die Dienste Ihrer Anwendung zu konfigurieren. Dann erstellen und starten Sie mit dem Befehl docker-compose up alle Dienste aus Ihrer Konfiguration. Geben Sie die Werte für {FORM_RECOGNIZER_ENDPOINT_URI} und {FORM_RECOGNIZER_KEY} für Ihre Containerinstanzen „Rechnung“ und „Layout“ ein.

Sie müssen das 3.1 GA-Layoutimage als Upstreamimage für 3.0 GA- und 3.1 GA-Rechnungsmodelle verwenden.

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}

Jetzt können Sie den Dienst mit dem Befehl docker compose starten:

docker-compose up

Das folgende Codebeispiel ist ein eigenständiges Beispiel für docker compose zum Ausführen des Containers für „Allgemeines Dokument“ von Dokument Intelligenz. Bei docker compose verwenden Sie eine YAML-Datei, um die Dienste Ihrer Anwendung zu konfigurieren. Dann erstellen und starten Sie mit dem Befehl docker-compose up alle Dienste aus Ihrer Konfiguration. Geben Sie die Werte für {FORM_RECOGNIZER_ENDPOINT_URI} und {FORM_RECOGNIZER_KEY} für Ihre Containerinstanzen für „Beleg“ und „Lesen“ ein.

Sie können 3.1 GA-Layoutimage als Upstream- anstatt als Leseimage verwenden.

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}

Jetzt können Sie den Dienst mit dem Befehl docker compose starten:

docker-compose up

Das folgende Codebeispiel ist ein eigenständiges Beispiel für docker compose zum Ausführen des Containers für „Allgemeines Dokument“ von Dokument Intelligenz. Bei docker compose verwenden Sie eine YAML-Datei, um die Dienste Ihrer Anwendung zu konfigurieren. Dann erstellen und starten Sie mit dem Befehl docker-compose up alle Dienste aus Ihrer Konfiguration. Geben Sie die Werte für {FORM_RECOGNIZER_ENDPOINT_URI} und {FORM_RECOGNIZER_KEY} für Ihre Containerinstanzen für „ID“ und „Lesen“ ein.

Sie können 3.1 GA-Layoutimage als Upstream- anstatt als Leseimage verwenden.

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}

Jetzt können Sie den Dienst mit dem Befehl docker compose starten:

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}

Zusätzlich zu den Voraussetzungen müssen Sie folgende Schritte zum Verarbeiten eines benutzerdefinierten Dokuments ausführen:

Erstellen eines Ordners und Speichern der folgenden Dateien

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

Erstellen eines Ordners und Speichern Ihrer Eingabedaten

• Geben Sie diesem Ordner den Namen Dateien.
• Wir verweisen auf den Dateipfad für diesen Ordner als {FILE_MOUNT_PATH}.
• Kopieren Sie den Dateipfad an einem geeigneten Speicherort, Sie müssen ihn ihrer .env-Datei hinzufügen. Wenn der Ordner beispielsweise „Dateien“ heißt und sich im gleichen Ordner wie die docker-compose-Datei befindet, lautet der Eintrag in der ENV-Datei FILE_MOUNT_PATH="./files".

Erstellen Sie einen Ordner zum Speichern der Protokolle, die vom Dokument Intelligenz-Dienst auf Ihrem lokalen Computer geschrieben werden.

• Geben Sie diesem Ordner den Namen output.
• Wir verweisen auf den Dateipfad für diesen Ordner als {OUTPUT_MOUNT_PATH}.
• Kopieren Sie den Dateipfad an einem geeigneten Speicherort, Sie müssen ihn ihrer .env-Datei hinzufügen. Wenn der Ordner beispielsweise „Ausgabe“ heißt und sich im gleichen Ordner wie die docker-compose-Datei befindet, lautet der Eintrag in der ENV-Datei OUTPUT_MOUNT_PATH="./output"

Erstellen eines Ordners zum Speichern der internen Verarbeitung, die zwischen den Containern freigegeben ist

• Geben Sie diesem Ordner den Namen shared.
• Wir verweisen auf den Dateipfad für diesen Ordner als {SHARED_MOUNT_PATH}.
• Kopieren Sie den Dateipfad an einem geeigneten Speicherort, Sie müssen ihn ihrer .env-Datei hinzufügen. Wenn der Ordner beispielsweise „Freigegeben“ heißt und sich im gleichen Ordner wie die docker-compose-Datei befindet, lautet der Eintrag in der ENV-Datei SHARED_MOUNT_PATH="./share".

Erstellen eines Ordners für Studio zum Speichern projektbezogener Informationen

• Geben Sie diesem Ordner den Namen db.
• Wir verweisen auf den Dateipfad für diesen Ordner als {DB_MOUNT_PATH}.
• Kopieren Sie den Dateipfad an einem geeigneten Speicherort, Sie müssen ihn ihrer .env-Datei hinzufügen. Wenn der Ordner beispielsweise „db“ heißt und sich im gleichen Ordner wie die docker-compose-Datei befindet, lautet der Eintrag in der ENV-Datei DB_MOUNT_PATH="./db".

Erstellen einer Umgebungsdatei

1. Geben Sie dieser Datei den Namen .env.

2. Deklarieren Sie die folgenden Umgebungsvariablen:

SHARED_MOUNT_PATH="./share"
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"

Erstellen einer nginx-Datei

1. Geben Sie dieser Datei den Namen nginx.conf.

2. Geben Sie die folgende Konfiguration ein:

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;
        }
    }
}

Erstellen Sie die Datei docker compose

1. Geben Sie der Datei den Namen docker-compose.yml.

2. Das folgende Codebeispiel ist ein eigenständiges docker compose-Beispiel zum gemeinsamen Ausführen der Dokument Intelligenz-Container für „Layout“, „Studio“ und „Benutzerdefinierte Vorlage“. Bei docker compose verwenden Sie eine YAML-Datei, um die Dienste Ihrer Anwendung zu konfigurieren. Dann erstellen und starten Sie mit dem Befehl docker-compose up alle Dienste aus Ihrer Konfiguration.

version: '3.3'
services:
  nginx:
    image: nginx:alpine
    container_name: reverseproxy
    depends_on:
      - layout
      - custom-template  
    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-3.1: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-3.1: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)

Der Container für benutzerdefinierte Vorlagen und der Layoutcontainer können Azure Storage-Warteschlangen oder Warteschlangen im Arbeitsspeicher verwenden. Die Umgebungsvariablen Storage:ObjectStore:AzureBlob:ConnectionString und queue:azure:connectionstring müssen nur festgelegt werden, wenn Sie Azure Storage-Warteschlangen verwenden. Wenn Sie lokal ausführen, löschen Sie diese Variablen.

Stellen Sie sicher, dass der Dienst ausgeführt wird

Stellen Sie sicher, dass der Dienst betriebsbereit ist, indem Sie diese Befehle in einer Ubuntu-Shell ausführen.

$cd <folder containing the docker-compose file>

$source .env

$docker-compose up

Die Container für „Benutzerdefinierte Vorlage“ erfordern einige unterschiedliche Konfigurationen und unterstützen weitere optionale Konfigurationen.

Trainieren von Modellen mit Dokument Intelligenz Studio

• Sammeln Sie eine Gruppe von mindestens fünf Formularen des gleichen Typs. Diese Daten verwenden Sie zum Trainieren des Modells und zum Testen eines Formulars. Sie können ein Beispieldataset verwenden (sample_data.zip herunterladen und extrahieren).

• Nachdem Sie bestätigen können, dass die Container ausgeführt werden, öffnen Sie einen Browser, und navigieren Sie zu dem Endpunkt, auf dem Sie die Container bereitgestellt haben. Wenn es sich bei dieser Bereitstellung um Ihren lokalen Computer handelt, ist [http://localhost:5001](http://localhost:5001) der Endpunkt .

• Wählen Sie die Kachel „benutzerdefiniertes Extraktionsmodell“ aus.

• Wählen Sie die Create project-Option aus.

• Angeben eines Projektnamens und optional einer Beschreibung

• Geben Sie im Schritt „Ihre Ressource konfigurieren“ den Endpunkt für Ihr benutzerdefiniertes Vorlagenmodell an. Wenn Sie die Container auf Ihrem lokalen Computer bereitgestellt haben, verwenden Sie die URL [http://localhost:5000](http://localhost:5000).

• Geben Sie einen Unterordner an, in dem sich Ihre Trainingsdaten im Ordner „Dateien“ befinden.

• Erstellen Sie schließlich das Projekt

Sie sollten nun ein Projekt erstellt haben, das für das Bezeichnen bereit ist. Laden Sie Ihre Trainingsdaten hoch, und beginnen Sie mit dem Bezeichnen. Weitere Informationen zum Bezeichnen finden Sie unter Erstellen und Trainieren eines benutzerdefinierten Modells.

Verwenden der API zum Trainieren

Wenn Sie die APIs direkt aufrufen möchten, um ein Modell zu trainieren, erfordert die API zum Trainieren des benutzerdefinierten Vorlagenmodells eine base64-codierte ZIP-Datei, die den Inhalt Ihres Bezeichnungsprojekts darstellt. Sie können die PDF- oder Bilddateien weglassen und nur die JSON-Dateien übermitteln.

Sobald Sie Ihr Dataset bezeichnet und *.ocr.json, *.labels.json und fields.json einer ZIP-Datei hinzugefügt haben, verwenden Sie die PowerShell-Befehle, um die base64-codierte Zeichenfolge zu generieren.

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

Verwenden Sie die API „Modell erstellen“, um die Anforderung zu posten.

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"
     }
}