Detectar texto en imágenes

El servicio de reconocimiento óptico de caracteres (OCR) de Vertex AI en Google Distributed Cloud (GDC) aislado detecta y extrae texto de imágenes JPEG y PNG. Puedes procesar imágenes y obtener anotaciones de texto estructurado enviando solicitudes insertadas al método de la API BatchAnnotateImages.

Antes de empezar

Para detectar texto en imágenes, ponte en contacto con el administrador de proyectos de gestión de identidades y accesos para solicitar el rol Desarrollador de OCR de Vertex AI (ai-ocr-developer) en el espacio de nombres de tu proyecto.

Para obtener más información sobre este rol, consulta el artículo Preparar permisos de gestión de identidades y accesos.

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

Detectar texto de archivos JPEG y PNG

El método BatchAnnotateImages detecta texto de un lote de archivos JPEG o PNG. Envías el archivo del que quieres detectar texto directamente como contenido en la solicitud a 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 describen los campos del cuerpo de la solicitud que debes proporcionar cuando uses el método de la API BatchAnnotateImages para tus solicitudes de detección de texto:

Campos del cuerpo de la solicitud Descripción del campo
content Las imágenes con texto que se va a detectar. Proporcionas la representación en Base64 (cadena ASCII) de los datos de imagen binarios.
type El tipo de detección de texto que necesitas de la imagen.

Especifica una de las dos funciones de anotación:
  • TEXT_DETECTION detecta y extrae texto de cualquier imagen. La respuesta JSON incluye la cadena extraída, las palabras individuales y sus cuadros delimitadores.
  • DOCUMENT_TEXT_DETECTION también extrae texto de una imagen, pero el servicio optimiza la respuesta para texto denso y documentos. El archivo JSON incluye información sobre la página, el bloque, el párrafo, la palabra y el salto.
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 en este campo como detección automática de idioma.

No es necesario que definas el campo language_hints para los idiomas basados en el alfabeto latino.

Si sabes el idioma del texto de la imagen, puedes definir una sugerencia para mejorar los resultados.

Para obtener información sobre la representación JSON completa, consulta AnnotateImageRequest.

Hacer una solicitud a la API

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

En los siguientes ejemplos se muestra cómo detectar texto en una imagen mediante el reconocimiento óptico de caracteres:

REST

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

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

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

    Haz los cambios siguientes:

    • BASE64_ENCODED_IMAGE: la representación en base64 (cadena ASCII) de los datos de imagen binarios. Esta cadena empieza por caracteres que se parecen a /9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q==.
    • FEATURE_TYPE: el tipo de detección de texto que necesitas de la imagen. Los valores permitidos son TEXT_DETECTION y DOCUMENT_TEXT_DETECTION.
    • LANGUAGE_HINT: 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 de idioma.
  2. Obtén un token de autenticación.

  3. Haz 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
    

    Haz los cambios siguientes:

    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 "https://ENDPOINT/v1/images:annotate" | Select-Object -Expand Content
    

    Haz los cambios siguientes:

Python

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

  1. Instala la versión más reciente de la biblioteca de 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. Añade el siguiente código a la secuencia de comandos de Python que has creado:

    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)
      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)
    

    Haz los cambios siguientes:

    • ENDPOINT: el endpoint de OCR que usas en tu organización. Para obtener más información, consulta el estado del servicio y los puntos finales.
    • BASE64_ENCODED_IMAGE: la representación en base64 (cadena ASCII) de los datos de imagen binarios. Esta cadena empieza por caracteres que se parecen a /9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q==.
    • FEATURE_TYPE: el tipo de detección de texto que necesitas de la imagen. Los valores permitidos son TEXT_DETECTION y 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
    

    Sustituye SCRIPT_NAME por el nombre que hayas dado a tu secuencia de comandos de Python, como vision.py.