Az OCR pontosságának optimalizálása
Ezen az oldalon
Frissítés: 2026. november 2. — OCR. Az OCR 4.0 (
mistral-ocr-4-0) modelljét 2026. szeptember 30-án nyugdíjazták. Használd az OCR 4.1 (mistral-ocr-4-1) verziót, amely augusztus 31. óta általánosan elérhető ugyanazon az áron, vagy amistral-ocr-latestaliast, amely július 16. óta erre mutat. Az OCR 4.1 blokk szintű megbízhatósági pontszámokat (confidence scores) is biztosít. Kiegészítés: 2026. november 3.: A helyi PDF-fájlokat base64 kódolással kell elküldeni a következő formátumban:{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; a régebbi példákban szereplődocument_base64típus sem a dokumentációban, sem amistralaiSDK-ban nem létezik, és ezek a példák hibát okoztak volna. Források: OCR Processor · Document QnA.
A bemeneti minőség meghatározza a kimeneti minőséget
A Mistral csapata a Document AI webináriumukon egyértelműen fogalmazott: „szemetet be, szemetet ki“ (garbage in, garbage out). Bármilyen erős is a modell, nem tudja visszanyerni azokat az információkat, amelyeket a szkennelés során nem rögzítettek. Ha egy kinyerési projekt gyengén teljesít, az ok szinte mindig az API előtt keresendő: egy elhalványult fénymásolat, egy újra szkennelt fax, vagy egy rosszul megvilágított raktárban, ferde szögből készített fotó. Ez a lecke azokat a tényezőket tárgyalja, amelyek ténylegesen befolyásolják a pontosságot.
Felbontás és előfeldolgozás
Az első tényező a szkennelési felbontás. A célok attól függnek, mit tartalmaz a dokumentum:
- Nyomtatott dokumentumok: minimum 200 DPI, ajánlott 300 DPI
- Kézírással készült dokumentumok: minimum 300 DPI
- Összetett táblázatok: ajánlott 300 DPI
- Történelmi dokumentumok: 400 DPI vagy magasabb
Ezen értékek alatt a vékony vonalak eltűnnek, és semmilyen szoftveres utófeldolgozás nem képes visszaállítani őket. A magasabb felbontás használata főleg csak a fájlméretet növeli. Ha te irányítod a szkennelési folyamatot, a szkener megfelelő beállítása sokkal több gondot spórol meg, mint bármilyen kódolási trükk.
Amikor a dokumentum már digitalizálva érkezik, a képek előfeldolgozása segíthet javítani a helyzeten. Az alábbi függvény négy klasszikus műveletet láncol össze – szürkeárnyalatos konverzió, kontrasztnövelés, élesítés és binarizálás – mielőtt visszaadná a base64-ben kódolt képet, készen az OCR hívásra:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Előfeldolgoz egy képet az OCR kinyerés javítása érdekében."""
img = Image.open(image_path)
# 1. Konverzió szürkeárnyalatossá
img = img.convert("L")
# 2. Kontraszt növelése
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Élesség növelése
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarizálás (küszöbölés)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Konverzió base64-be
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Mielőtt egy teljes kötegre alkalmaznád, teszteld ezt a feldolgozást egy mintán. A binarizálás különösen drasztikus: egy eleve éles dokumentumon semmit nem javít, egy ceruzával írt dokumentumon pedig teljesen eltüntetheti a szöveget.
A tájolás egy másik korrekció, amelyet nem szabad elhanyagolni. A szkennelt képek gyakran 90 vagy 180 fokkal elforgatva érkeznek, és a tájolási információ általában a kép EXIF metaadataiban található:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Kijavítja a szkennelt kép tájolását az EXIF metaadatok alapján."""
img = Image.open(image_path)
# EXIF adatok használata a tájolás kijavításához
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # EXIF tájolási címke
rotations = {3: 180, 6: 270, 8: 90}
if orientation in rotations:
img = img.rotate(rotations[orientation], expand=True)
except (AttributeError, KeyError):
pass
return img
A széles try blokk itt indokolt: sok képnek nincs EXIF adata, és a hiányzó tájolási adatoknak nem szabad megszakítaniuk a kötegelt feldolgozást.
A konfiguráció igazítása a dokumentum típusához
A gyakori nyomtatott dokumentumok – számlák, szerződések, jelentések – esetén az optimális konfiguráció arra redukálódik, hogy explicit módon kérjük a táblázatok kinyerését a alapértelmezett beállítások helyett:
# Optimális konfiguráció nyomtatott dokumentumokhoz
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 táblázat kinyerés
)
A kézírással készült dokumentumok több előkészítést igényelnek. Szkennelj legalább 300 DPI felbontásban, növeld a tinta és a papír közötti kontrasztot, de hagyd ki az előző szkript agresszív binarizálását: az eltünteti a vékony golyóstoll vonalakat, és több információt veszítesz, mint amennyit nyersz. Maga a modell jól kezeli a kézírást, beleértve a többnyelvű szövegeket is, ami az előző OCR generációknál nem volt magától értetődő.
Aztán ott vannak a súlyosan sérült szkennelések – archívumok, gyűrött dokumentumok, másolatok másolatai. Itt megváltozik a stratégia: először csökkentsd a zajt egy medián szűrővel, mielőtt növelnéd a kontrasztot, majd növeld a fényerőt, ha az egész kép még mindig túl sötét.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Javít egy alacsony minőségű szkennelésen."""
img = Image.open(path)
# Zajcsökkentés
img = img.filter(ImageFilter.MedianFilter(size=3))
# Kontraszt növelése
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Fényerő növelése, ha túl sötét
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
A sorrend számít: ha a zaj eltávolítása előtt növeled a kontrasztot, azzal ugyanúgy felerősíted a foltokat, mint a betűket.
Nagy mennyiségek feldolgozása
Ha a fájlok száma meghalad néhány darabot, szükség van kötegelt feldolgozásra, fájlonkénti hibakezeléssel. Nagyon nagy mennyiségek esetén a Mistral a Batch Inference szolgáltatást kínálja; az alábbi szkript egy PDF mappákra vonatkozó alaplogikát mutat, ahol minden hiba naplózásra kerül az eredményekben, ahelyett, hogy megszakítaná a ciklust:
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:
"""Feldolgoz egy mappában lévő összes PDF fájlt."""
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
Ez az eredmény szótár a feldolgozás végén pontos listát ad arról, mely fájlokat kell újrapróbálni. Több száz dokumentumból álló kötegnél ez a különbség aközött, hogy három fájlt futtatsz újra, vagy az egészet elölről kezded.
Ellenőrzés használat előtt
Egy technikailag sikeres kinyerés a gyakorlatban sikertelen lehet: egy olvashatatlan szkennelésnél üres oldal tér vissza, vagy egy zajos képen karakterzavarok özöne jelenik meg. Néhány egyszerű heurisztika elegendő egy automatikus riasztás kiváltásához.
def verify_quality(markdown: str) -> dict:
"""Ellenőrzi az OCR kinyerés minőségét."""
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),
}
# Riasztások
if indicators["words"] < 10:
indicators["alert"] = "Nagyon kevés szöveg lett kinyerve"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "Magas arányú speciális karakterek"
return indicators
A két küszöbérték tájékoztató jellegű, és a te korpuszodhoz kell igazítani: tíz szó egy szerződés oldalán problémát jelez, de nem egy fuvarlevélnél, amely csak tizenöt szót tartalmaz.
Operatív összefoglaló
Ne feledd a láncolatot logikai sorrendben. Szkennelj legalább 300 DPI felbontásban bármilyen nem triviális dokumentum esetén, és halvány dokumentumoknál küldés előtt növeld a kontrasztot. Javítsd a szkennelt képek forgásszögét. Ha elérhető, mindig részesítsd előnyben a natív PDF-et a szkennelt változattal szemben: annak minősége szerkezetileg jobb. Explicit módon add meg a table_format="markdown" vagy "html" paramétert, amikor táblázatokkal van dolgod. Nagy mennyiségeknél dolgozz kötegekben, és párhuzamosítsd a hívásokat. És szisztematikusan validáld a kinyerés minőségét, mielőtt betáplálnád az információs rendszeredbe – a rossz adat többe kerül, mint a hiányzó adat.
Főbb megállapítások
- A forrásdokumentum minősége a pontosság elsődleges tényezője
- A képek előfeldolgozása (kontraszt, élesség, binarizálás) javítja az eredményeket
- Igazítsd a megközelítésedet a dokumentum típusához (nyomtatott, kézírással készült, sérült)
- Használj kötegelt feldolgozást nagy mennyiségek esetén
- Mindig validáld a kinyerés minőségét használat előtt