Optimizacija točnosti OCR-a
Na ovoj stranici
Ažuriranje 2. studenoga 2026. — OCR. Verzija OCR 4.0 (
mistral-ocr-4-0) povučena je iz upotrebe 30. rujna 2026. Koristi OCR 4.1 (mistral-ocr-4-1), koji je općenito dostupan od 31. kolovoza po istoj cijeni, ili aliasmistral-ocr-latest, koji na njega pokazuje od 16. srpnja. OCR 4.1 dodaje ocjene pouzdanosti na razini blokova. Dodatak 3. studenoga 2026.: Lokalni PDF prenosi se u base64 formatu kao{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; tipdocument_base64iz starijih primjera ne postoji ni u dokumentaciji ni umistralaiSDK-u, a ti bi primjeri nisu uspjeli. Izvori: OCR Processor · Document QnA.
Kvaliteta ulaza određuje kvalitetu izlaza
Mistralov tim bio je izravan tijekom svog webinara o Document AIju: „smeće unutra, smeće van.“ Bez obzira na to koliko je model moćan, ne može vratiti informacije koje skeniranje nije uhvatilo. Kada projekt ekstrakcije ne daje očekivane rezultate, krivac je gotovo uvijek na strani prije API-ja—izblijedjela fotokopija, ponovno skenirani faks ili fotografija snimljena pod kutom u slabo osvijetljenom skladištu. Ova lekcija pokriva poluge koje zapravo utječu na točnost.
Razlučivost i predobrada
Prva poluga je razlučivost skeniranja. Ciljane vrijednosti ovise o sadržaju dokumenta:
- Tiskani dokumenti: minimalno 200 DPI, preporučeno 300 DPI
- Rukopis: minimalno 300 DPI
- Složene tablice: preporučeno 300 DPI
- Povijesni dokumenti: 400 DPI ili više
Ispod ovih vrijednosti tanke linije nestaju i nikakva softverska obrada ne može ih vratiti. Više razlučivosti uglavnom samo povećava veličinu datoteke. Ako kontroliraš lanac skeniranja, ispravno postavljanje skenera uštedjet će ti mnogo više problema od bilo kakvog programerskog trika.
Kada dokument stigne već digitaliziran, predobrada slike može nadoknaditi dio gubitaka. Donja funkcija povezuje četiri klasične operacije—pretvorbu u sivu skalu, pojačavanje kontrasta, izoštravanje i binarizaciju—prije nego što vrati sliku kodiranu u base64, spremnu za OCR poziv:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Pre-processes an image to improve OCR extraction."""
img = Image.open(image_path)
# 1. Convert to grayscale
img = img.convert("L")
# 2. Increase contrast
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Increase sharpness
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarization (thresholding)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Convert to base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Isprobaj ovu obradu na uzorku prije nego što je primijeniš na cijelu seriju. Binarizacija je posebno brutalna: na već oštrom dokumentu ne dodaje ništa, a na dokumentu napisanom olovkom može potpuno izbrisati tekst.
Orijentacija je druga korekcija koju ne smiješ zanemariti. Skeniranja često stižu rotirana za 90 ili 180 stupnjeva, a informacija o orijentaciji obično je pohranjena u EXIF metapodacima slike:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Corrects the orientation of a scanned image via EXIF metadata."""
img = Image.open(image_path)
# Use EXIF data to correct orientation
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # EXIF orientation tag
rotations = {3: 180, 6: 270, 8: 90}
if orientation in rotations:
img = img.rotate(rotations[orientation], expand=True)
except (AttributeError, KeyError):
pass
return img
Široki blok try ovdje je opravdan: mnoge slike nemaju EXIF podatke, a nedostatak podataka o orijentaciji ne smije prekinuti obradu serije.
Prilagodba konfiguracije vrsti dokumenta
Za uobičajene tiskane dokumente—račune, ugovore, izvješća—optimalna konfiguracija svodi se na eksplicitno traženje ekstrakcije tablica umjesto oslanjanja na zadane postavke:
# Optimal configuration for printed documents
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" # Explicit table extraction
)
Rukopis zahtijeva više pažnje unaprijed. Skeniraj na minimalno 300 DPI, povećaj kontrast između tinte i papira, ali preskoči agresivnu binarizaciju iz prethodne skripte: ona briše fine poteze kemijske olovke i izgubit ćeš više informacija nego što ćeš dobiti. Sam model dobro obrađuje rukopis, uključujući višejezični tekst, što s prethodnim generacijama OCR-a nije bilo sigurno.
Zatim tu su jako degradirana skeniranja—arhivi, zgužvani dokumenti, kopije kopija. Strategija se mijenja: prvo smanji šum pomoću medijan filtra prije pojačavanja kontrasta, zatim povećaj svjetlinu ako je sve zajedno previše tamno.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Improves a low-quality scan."""
img = Image.open(path)
# Noise reduction
img = img.filter(ImageFilter.MedianFilter(size=3))
# Increase contrast
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Increase brightness if too dark
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
Redoslijed je bitan: pojačavanje kontrasta prije uklanjanja šuma samo će ojačati mrlje jednako kao i slova.
Obrada velikih količina
Kada broj datoteka prijeđe nekoliko komada, trebaš obradu serija s rukovanjem pogreškama po datoteci. Za vrlo velike količine, Mistral nudi uslugu Batch Inference; sljedeća skripta prikazuje osnovnu logiku za mapu s PDF-ovima, gdje se svaki neuspjeh bilježi u rezultate umjesto da prekine petlju:
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:
"""Processes all PDFs in a folder."""
results = {}
path = Path(folder)
for file in path.glob("*.pdf"):
print(f"Processing {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
Ovaj rječnik rezultata daje ti, na kraju obrade, točan popis datoteka koje trebaš ponovno pokušati. U seriji od nekoliko stotina dokumenata, to je razlika između ponovnog pokretanja triju datoteka i počinjanja ispočetka.
Provjeri prije korištenja
Ekstrakcija koja je tehnički uspjela možda je praktički propala: prazna stranica vraćena za nečitljivo skeniranje ili poplava besmislenih znakova na slici sa šumom. Nekoliko jednostavnih heuristika dovoljno je za pokretanje automatskog upozorenja.
def verify_quality(markdown: str) -> dict:
"""Verifies the quality of an OCR extraction."""
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),
}
# Alerts
if indicators["words"] < 10:
indicators["alert"] = "Very little text extracted"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "High ratio of special characters"
return indicators
Dva praga su indikativna i moraš ih kalibrirati prema svom korpusu: deset riječi za stranicu ugovora signalizira problem, ali ne i za otpremnicu koja sadrži samo petnaest riječi.
Operativni sažetak
Zapamti lanac u njegovom logičnom redoslijedu. Skeniraj na minimalno 300 DPI za bilo koji netrivijalan dokument i povećaj kontrast prije slanja ako je dokument izblijedio. Ispravi kut rotacije skeniranja. Uvijek daj prednost izvornom PDF-u umjesto skeniranju kada je dostupno: njegova je kvaliteta strukturno superiorna. Eksplicitno navedi table_format="markdown" ili "html" kad god su uključene tablice. Obrađuj u serijama i paraleliziraj pozive za velike količine. I sustavno validiraj kvalitetu ekstrakcije prije nego što je uneseš u svoj informacijski sustav—loši podaci koštaju više od nedostajućih podataka.
Ključne točke
- Kvaliteta izvornog dokumenta primarni je faktor točnosti
- Predobrada slike (kontrast, oštrina, binarizacija) poboljšava rezultate
- Prilagodi svoj pristup vrsti dokumenta (tiskani, rukopis, degradirani)
- Koristi obradu serija za velike količine
- Uvijek validiraj kvalitetu ekstrakcije prije upotrebe