Detecta texto en imágenes

En esta página, se muestra cómo detectar texto en imágenes con la API de reconocimiento óptico de caracteres (OCR) en el dispositivo aislado de Google Distributed Cloud (GDC).

El servicio de OCR de Vertex AI en el dispositivo aislado de GDC detecta texto en imágenes con el método de la API de BatchAnnotateImages. El servicio admite archivos JPEG y PNG para imágenes.

Antes de comenzar

Antes de comenzar a usar la API de OCR, debes tener un proyecto con la API de OCR habilitada y las credenciales adecuadas. También puedes instalar bibliotecas cliente para ayudarte a realizar llamadas a la API. Para obtener más información, consulta Configura un proyecto de reconocimiento de caracteres.

Detecta texto en archivos JPEG y PNG

El método BatchAnnotateImages detecta texto en un lote de archivos JPEG o PNG. Envías directamente el archivo del que deseas detectar texto como contenido en la solicitud de la API. El sistema devuelve el texto detectado resultante en formato JSON en la respuesta de la API.

Debes especificar valores para los campos del cuerpo JSON de tu solicitud a la API. En la siguiente tabla, se incluye una descripción de los campos del cuerpo de la solicitud que debes proporcionar cuando usas el método de la API de BatchAnnotateImages para tus solicitudes de detección de texto:

Campos del cuerpo de la solicitud	Descripción del campo
content	Son las imágenes con el texto que se detectará. Proporcionas la representación en Base64 (cadena ASCII) de los datos de la imagen binaria. Nota: Solo puedes procesar imágenes que se almacenan de forma local en el entorno del dispositivo aislado de GDC.
type	Es el tipo de detección de texto que necesitas de la imagen. Especifica una de las dos funciones de anotación: TEXT_DETECTION detecta y extrae el texto de cualquier imagen. La respuesta JSON incluye la cadena extraída, las palabras individuales y sus cuadros de límite. DOCUMENT_TEXT_DETECTION también extrae el texto de una imagen, pero el servicio optimiza la respuesta para textos y documentos densos. El archivo JSON incluye información de la página, el bloque, el párrafo, la palabra y la división. Para obtener más información sobre estas funciones de anotación, consulta Funciones de reconocimiento óptico de caracteres.
language_hints	Opcional. Lista de idiomas que se usarán para la detección de texto. El sistema interpreta un valor vacío para este campo como detección automática del idioma. No es necesario que configures el campo language_hints para los idiomas basados en el alfabeto latino. Si conoces el idioma del texto en la imagen, establecer una sugerencia mejora los resultados. ¿Cómo funcionan las sugerencias de idioma? El formato language_hints usa los siguientes lineamientos de formato de etiquetas de idioma BCP 47: language ["-" script] ["-" region] *("-" variant) *("-" extension) ["-" privateuse]. Por ejemplo, la sugerencia de idioma "en-t-i0-handwrit" especifica el idioma inglés (en), el singleton de la extensión de transformación (t), el código de la extensión de transformación del motor del método de entrada (i0) y el código de transformación de escritura a mano (handwrit). Esto indica, aproximadamente, que el idioma es "inglés transformado a partir de escritura a mano". No es necesario especificar un código de secuencia de comandos porque el idioma "en" implica Latn. Para obtener una lista de los idiomas admitidos, consulta Idiomas admitidos.

Realiza una solicitud a la API

Realiza una solicitud a la API previamente entrenada de OCR con el método de la API de REST. De lo contrario, interactúa con la API previamente entrenada de OCR desde una secuencia de comandos de Python para detectar texto en archivos JPEG o PNG.

Nota: El método de la API de BatchAnnotateImages solo admite una solicitud por llamada por lotes.

En los siguientes ejemplos, se muestra cómo detectar texto en una imagen con OCR:

REST

Sigue estos pasos para detectar texto en imágenes con el método de la API de REST:

1. Guarda el siguiente archivo request.json para el cuerpo de tu solicitud:

   cat <<- EOF > request.json
   {
     "requests": [
       {
         "image": {
           "content": BASE64_ENCODED_IMAGE
         },
         "features": [
           {
             "type": "FEATURE_TYPE"
           }
         ],
         "image_context": {
           "language_hints": [
             "LANGUAGE_HINT_1",
             "LANGUAGE_HINT_2",
             ...
           ]
         }
       }
     ]
   }
   EOF
   

   Reemplaza lo siguiente:

   • BASE64_ENCODED_IMAGE: Es la representación en Base64 (cadena ASCII) de los datos de la imagen binaria. Esta cadena comienza con caracteres que se parecen a /9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q==.
   • FEATURE_TYPE: Es el tipo de detección de texto que necesitas de la imagen. Los valores permitidos son TEXT_DETECTION o DOCUMENT_TEXT_DETECTION.
   • LANGUAGE_HINT: Son las etiquetas de idioma BCP 47 que se usarán como sugerencias de idioma para la detección de texto, como en-t-i0-handwrit. Este campo es opcional y el sistema interpreta un valor vacío como detección automática del idioma.

2. Obtén un token de autenticación.

3. Realiza la solicitud:

   curl

   curl -X POST \
     -H "Authorization: Bearer TOKEN" \
     -H "x-goog-user-project: projects/PROJECT_ID" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     https://ENDPOINT/v1/images:annotate
   

   Reemplaza lo siguiente:

   • TOKEN: El token de autenticación que obtuviste
   • PROJECT_ID: el ID de tu proyecto
   • ENDPOINT: Es el extremo de OCR que usas para tu organización. Para obtener más información, consulta el estado y los extremos del servicio.

   PowerShell

   $headers = @{
     "Authorization" = "Bearer TOKEN"
     "x-goog-user-project" = "projects/PROJECT_ID"
   }
   
   Invoke-WebRequest
     -Method POST
     -Headers $headers
     -ContentType: "application/json; charset=utf-8"
     -InFile request.json
     -Uri "ENDPOINT/v1/images:annotate" | Select-Object -Expand Content
   

   Reemplaza lo siguiente:

   • TOKEN: El token de autenticación que obtuviste
   • ENDPOINT: Es el extremo de OCR que usas para tu organización. Para obtener más información, consulta el estado y los extremos del servicio.

Python

Sigue estos pasos para usar el servicio de OCR desde una secuencia de comandos de Python y detectar texto en una imagen:

1. Instala la versión más reciente de la biblioteca cliente de OCR.

2. Configura las variables de entorno necesarias en una secuencia de comandos de Python.

3. Autentica tu solicitud a la API.

4. Agrega el siguiente código a la secuencia de comandos de Python que creaste:

   from google.cloud import vision
   import google.auth
   from google.auth.transport import requests
   from google.api_core.client_options import ClientOptions
   
   audience = "https://ENDPOINT:443"
   api_endpoint="ENDPOINT:443"
   
   def vision_client(creds):
     opts = ClientOptions(api_endpoint=api_endpoint)
     return vision.ImageAnnotatorClient(credentials=creds, client_options=opts)
   
   def main():
     creds = None
     try:
       creds, project_id = google.auth.default()
       creds = creds.with_gdch_audience(audience)
       req = requests.Request()
       creds.refresh(req)
       print("Got token: ")
       print(creds.token)
     except Exception as e:
       print("Caught exception" + str(e))
       raise e
     return creds
   
   def vision_func(creds):
     vc = vision_client(creds)
     image = {"content": "BASE64_ENCODED_IMAGE"}
     features = [{"type_": vision.Feature.Type.FEATURE_TYPE}]
     # Each requests element corresponds to a single image. To annotate more
     # images, create a request element for each image and add it to
     # the array of requests
     req = {"image": image, "features": features}
   
     metadata = [("x-goog-user-project", "projects/PROJECT_ID")]
   
     resp = vc.annotate_image(req,metadata=metadata)
   
     print(resp)
   
   if __name__=="__main__":
     creds = main()
     vision_func(creds)
   

   Reemplaza lo siguiente:

   • ENDPOINT: Es el extremo de OCR que usas para tu organización. Para obtener más información, consulta el estado y los extremos del servicio.
   • BASE64_ENCODED_IMAGE: Es la representación en Base64 (cadena ASCII) de los datos de la imagen binaria. Esta cadena comienza con caracteres que se parecen a /9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q==.
   • FEATURE_TYPE: Es el tipo de detección de texto que necesitas de la imagen. Los valores permitidos son TEXT_DETECTION o DOCUMENT_TEXT_DETECTION.
   • PROJECT_ID: el ID de tu proyecto

5. Guarda la secuencia de comandos de Python.

6. Ejecuta la secuencia de comandos de Python para detectar texto en la imagen:

   python SCRIPT_NAME
   

   Reemplaza SCRIPT_NAME por el nombre que le diste a tu secuencia de comandos de Python, como vision.py.