Optimalizace přesnosti OCR
Na této stránce
Aktualizace 2. listopadu 2026 — OCR. Verze OCR 4.0 (
mistral-ocr-4-0) byla 30. září 2026 vyřazena z provozu. Používej OCR 4.1 (mistral-ocr-4-1), které je obecně dostupné od 31. srpna za stejnou cenu, nebo aliasmistral-ocr-latest, který na něj odkazuje od 16. července. OCR 4.1 přidává skóre důvěryhodnosti na úrovni bloků. Dodatek ze 3. listopadu 2026: Lokální PDF se přenáší v base64 jako{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; typdocument_base64ze starších příkladů neexistuje ani v dokumentaci, ani v SDKmistralaia tyto příklady by selhaly. Zdroje: OCR Processor · Document QnA.
Kvalita vstupu určuje kvalitu výstupu
Tým Mistral to během svého webináře o Document AI řekl naprosto jasně: „Garbage in, garbage out“ (špatný vstup, špatný výstup). Bez ohledu na to, jak výkonný model je, nedokáže obnovit informace, které sken nezachytil. Když projekt extrakce nepodává očekávané výsledky, viník se téměř vždy nachází ještě před voláním API – jde o vybledlou kopii, znovu naskenovaný fax nebo fotografii pořízenou pod úhlem ve špatně osvětleném skladu. Tato lekce pokrývá páky, které skutečně ovlivňují přesnost.
Rozlišení a předběžné zpracování
První pákou je rozlišení skenu. Cílové hodnoty závisí na obsahu dokumentu:
- Tištěné dokumenty: minimum 200 DPI, doporučeno 300 DPI
- Ruční písmo: minimum 300 DPI
- Složité tabulky: doporučeno 300 DPI
- Historické dokumenty: 400 DPI nebo více
Pod těmito hodnotami jemné čáry zmizí a žádný softwarový proces je nedokáže vrátit. Vyšší nastavení většinou jen zvětšuje velikost souboru. Pokud máš kontrolu nad řetězcem skenování, správné nastavení skeneru ti ušetří mnohem více problémů než jakýkoli programátorský trik.
Když dokument dorazí již digitalizovaný, může předběžné zpracování obrazu něco zachránit. Níže uvedená funkce řetězí čtyři klasické operace – převod do odstínů šedi, zvýšení kontrastu, zaostření a binarizaci – než vrátí obrázek zakódovaný v base64, připravený pro volání OCR:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Předběžně zpracuje obrázek pro zlepšení extrakce OCR."""
img = Image.open(image_path)
# 1. Převod do odstínů šedi
img = img.convert("L")
# 2. Zvýšení kontrastu
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Zvýšení ostrosti
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarizace (prahování)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Převod do base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Toto zpracování nejprve otestuj na vzorku, než jej aplikuješ na celou dávku. Binarizace je obzvlášť brutální: na již ostrém dokumentu nic nepřidá a u dokumentu psaného tužkou může text zcela smazat.
Orientace je další korekcí, kterou bys neměl zanedbávat. Skeny často dorazí otočené o 90 nebo 180 stupňů a informace o orientaci je obvykle uložena v metadatech EXIF obrázku:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Opraví orientaci naskenovaného obrázku pomocí metadat EXIF."""
img = Image.open(image_path)
# Použití dat EXIF k opravě orientace
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # Tag orientace EXIF
rotations = {3: 180, 6: 270, 8: 90}
if orientation in rotations:
img = img.rotate(rotations[orientation], expand=True)
except (AttributeError, KeyError):
pass
return img
Široký blok try je zde oprávněný: mnoho obrázků nemá žádná data EXIF a chybějící údaje o orientaci by neměly přerušit dávkové zpracování.
Přizpůsobení konfigurace typu dokumentu
U běžných tištěných dokumentů – faktur, smluv, zpráv – se optimální konfigurace сводí k explicitnímu vyžádání extrakce tabulek místo spoléhání se na výchozí nastavení:
# Optimální konfigurace pro tištěné dokumenty
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
table_format="markdown" # Explicitní extrakce tabulek
)
Ruční písmo vyžaduje větší péči již v předstihu. Skenuj při minimálně 300 DPI, zvýš kontrast mezi inkoustem a papírem, ale vynechej agresivní binarizaci z předchozího skriptu: ta smaže jemné tahy kuličkového pera a ztratíš více informací, než získáš. Samotný model zvládá ruční písmo dobře, včetně vícejazyčného textu, což u předchozích generací OCR nebylo samozřejmostí.
Pak jsou tu silně degradované skeny – archivy, pomačkané dokumenty, kopie kopií. Strategie se mění: začni redukcí šumu pomocí mediánového filtru před zvýšením kontrastu a následně zvýš jas, pokud je celý obraz příliš tmavý.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Zlepšuje sken nízké kvality."""
img = Image.open(path)
# Redukce šumu
img = img.filter(ImageFilter.MedianFilter(size=3))
# Zvýšení kontrastu
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Zvýšení jasu, pokud je příliš tmavý
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
Pořadí je důležité: zvýšení kontrastu před odstraněním šumu pouze posílí skvrny stejně jako písmena.
Zpracování velkých objemů
Jakmile počet souborů přesáhne několik kusů, potřebuješ dávkové zpracování s obsluhou chyb pro každý soubor zvlášť. Pro velmi velké objemy nabízí Mistral službu Batch Inference; následující skript ukazuje základní logiku pro složku s PDF, kde se každé selhání zapíše do výsledků místo přerušení smyčky:
import os
import json
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def process_folder(folder: str) -> dict:
"""Zpracuje všechna PDF ve složce."""
results = {}
path = Path(folder)
for file in path.glob("*.pdf"):
print(f"Zpracovávám {file.name}...")
with open(file, "rb") as f:
import base64
doc_b64 = base64.b64encode(f.read()).decode("utf-8")
try:
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
},
table_format="markdown"
)
results[file.name] = {
"pages": len(response.pages),
"content": "\n\n".join(
p.markdown for p in response.pages
)
}
except Exception as e:
results[file.name] = {"error": str(e)}
return results
Tento slovník výsledků ti na konci zpracování poskytne přesný seznam souborů k opakování. U dávky několika set dokumentů je to rozdíl mezi opětovným spuštěním tří souborů a začínáním úplně od začátku.
Ověření před využitím
Extrakce, která technicky uspěla, mohla v praxi selhat: vrácena prázdná stránka pro nečitelný sken nebo záplava nesmyslných znaků na zašuměném obrázku. Několik jednoduchých heuristik stačí k vyvolání automatického upozornění.
def verify_quality(markdown: str) -> dict:
"""Ověří kvalitu extrakce OCR."""
indicators = {
"length": len(markdown),
"words": len(markdown.split()),
"empty_lines_ratio": markdown.count("\n\n") / max(len(markdown), 1),
"special_chars_ratio": sum(
1 for c in markdown if not c.isalnum() and c not in " \n\t.,;:!?-"
) / max(len(markdown), 1),
}
# Upozornění
if indicators["words"] < 10:
indicators["alert"] = "Extrahováno velmi málo textu"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "Vysoký podíl speciálních znaků"
return indicators
Oba prahy jsou orientační a musíš je kalibrovat podle svého korpusu: deset slov na stránku smlouvy signalizuje problém, ale ne u dodacího listu, který obsahuje pouze patnáct slov.
Provozní shrnutí
Zapamatuj si řetězec v jeho logickém pořadí. Skenuj při minimálně 300 DPI pro jakýkoli netriviální dokument a před odesláním zvýš kontrast, pokud je dokument vybledlý. Oprav úhel otočení skenů. Vždy upřednostni nativní PDF před skenem, pokud je dostupné: jeho kvalita je strukturálně superior. Explicitně specifikuj table_format="markdown" nebo "html", kdykoli jsou zapojeny tabulky. Zpracovávej dávkově a paralelizuj volání pro velké objemy. A systematicky ověřuj kvalitu extrakce před tím, než ji nakrmíš do svého informačního systému – špatná data stojí více než chybějící data.
Klíčové poznatky
- Kvalita zdrojového dokumentu je primárním faktorem přesnosti
- Předběžné zpracování obrazu (kontrast, ostrost, binarizace) zlepšuje výsledky
- Přizpůsob svůj přístup typu dokumentu (tištěný, ruční písmo, degradovaný)
- Pro velké objemy používej dávkové zpracování
- Před použitím vždy ověř kvalitu extrakce