Wir stellen vor: der OCR Robot für einfache Textextraktion

Yukesh Shrestha

Support-Techniker · Gillingham, Vereinigtes Königreich · Bio anzeigen

„Ein Bild sagt mehr als tausend Worte“ ist eine Redewendung in vielen Sprachen – und das aus gutem Grund. Unser visueller Cortex ist wohl der leistungsfähigste Teil des Gehirns, und ihn zu nutzen, um Bedeutung zu vermitteln, ist ebenso wirkungsvoll. Seit wir den Robot /image/describe eingeführt haben, ermöglichen wir Programmierern, den visuellen Cortex von KI-Modellen zu erschließen, die von führenden Cloud-Anbietern trainiert wurden. Heute gehen wir noch einen Schritt weiter: Wir erkennen nicht nur Objekte in Bildern, sondern lesen auch alle darin enthaltenen Wörter.

Angenommen, Sie hätten das Bild eines Verkehrsschilds oder einer Speisekarte. Nahezu jeder Mensch könnte diese Objekte deuten, doch für Maschinen blieb ihre Bedeutung stets undurchsichtig – bis zur Einführung leistungsstarker neuer OCR-Modelle, die Text – praktisch – aus einer Ansammlung von Pixeln lesen können.

Wir stellen den Robot /image/ocr vor. Er ist der neueste Robot in unserer KI-Familie. Er kann im Backend wahlweise AWS oder GCP nutzen, wobei sich beide Anbieter mühelos über den Parameter provider austauschen lassen. Das bedeutet: Wenn ein Anbieter unbefriedigende Ergebnisse liefert, können Sie den anderen über dieselbe Robot-Schnittstelle ausprobieren. Die Erkennungsergebnisse können sich je nach Anbieter unterscheiden und mit der Weiterentwicklung der Modelle ändern. Testen Sie deshalb mit repräsentativen Bildern, statt sich auf eine exakte Antwort zu verlassen.

Text aus Bildern extrahieren

Um zu zeigen, wie einfach sich dieser neue Robot einsetzen lässt, gehen wir das folgende Template gemeinsam durch:

{
  "steps": {
    ":original": {
      "robot": "/upload/handle"
    },
    "image-ocr": {
      "use": ":original",
      "robot": "/image/ocr",
      "format": "text",
      "provider": "aws"
    },
    "exported": {
      "use": ["image-ocr", ":original"],
      "robot": "/s3/store",
      "credentials": "YOUR_AWS_CREDENTIALS",
      "acl": "bucket-default",
      "path": "ocr/${unique_prefix}/${file.url_name}"
    }
  }
}

Es gibt viele Möglichkeiten, Dateien zu Transloadit zu bringen, doch wir verwenden den Robot /upload/handle in unserem ersten Step, :original.

Unsere Bilderkennung findet im folgenden Step statt, image-ocr. Hier übergeben wir :original an den Robot /image/ocr und setzen dessen Parameter format, damit das Ergebnis als Textdatei zurückgegeben wird. Wenn Sie format weglassen, gibt der Robot JSON aus. Zusätzlich haben wir festgelegt, dass wir aws als KI-Anbieter im Backend verwenden möchten. Mit gcp wählen Sie hier stattdessen Google Cloud aus. Das Format text liefert weiterhin eine Textdatei, doch die erkannten Wörter, ihre Gruppierung und Reihenfolge können abweichen.

Nach der Extraktion exportieren wir sowohl die Textdatei als auch das Originalbild in Ihren S3-Bucket. Ersetzen Sie YOUR_AWS_CREDENTIALS durch den Namen des gespeicherten Eintrags für Ihre Template-Zugangsdaten. Folgen Sie der gemeinsamen Anleitung zum Erstellen von Zugangsdaten und der Anleitung zur S3-Einrichtung, um Ihren eigenen Bucket und den entsprechend eingeschränkten Zugriff zu konfigurieren. Das Beispiel lässt mit bucket-default eine Objekt-ACL weg. Lassen Sie Block Public Access aktiviert und fügen Sie keine Bucket-Richtlinie hinzu, die öffentlichen Lesezugriff gewährt. Der eindeutige Pfad verhindert, dass ein anderer Upload mit demselben Dateinamen überschrieben wird.

Testen

Testen wir nun unser Template mit dem folgenden Bild:

Der Robot wandelt Bildformate wie dieses SVG vor der Erkennung in ein Rasterbild um, das mit dem Anbieter kompatibel ist. Für dieses Logo kann ein Textergebnis wie folgt aussehen. Es ist nicht garantiert, dass die Erkennung bei jedem Durchlauf dieselbe Schreibweise oder Groß- und Kleinschreibung wiedergibt:

Transloadit

Fazit

In dieser kurzen Einführung haben wir gezeigt, wie Sie mit unserem Robot /image/ocr die Textextraktion in einen Workflow integrieren.

Dank der Kombinierbarkeit von Transloadit lassen sich zudem alle unsere 96 Robots aneinanderreihen, um Workflows zu erstellen, die genau zu Ihrem Anwendungsfall passen. Mit anderen Worten: Der Step für OCR könnte nur eines von vielen Zahnrädern in Ihrer komplexen Maschine sein. Wie gezeigt, genügt dafür ein deklarativ geschriebenes JSON-Rezept. Prüfen Sie, ob die Ergebnisse den Anforderungen Ihrer Anwendung entsprechen, insbesondere bevor Sie Entscheidungen auf Grundlage des erkannten Textes treffen.

Auf unserer Preisseite finden Sie Informationen zur Verfügbarkeit von KI-Funktionen, zur enthaltenen Nutzung und zu den aktuellen Verarbeitungsgebühren.