Optimalizácia presnosti OCR
Na tejto strane
Aktualizácia 2. novembra 2026 — OCR. Verzia OCR 4.0 (
mistral-ocr-4-0) bola vyradená 30. septembra 2026. Používaj OCR 4.1 (mistral-ocr-4-1), ktorá je všeobecne dostupná od 31. augusta za rovnakú cenu, alebo aliasmistral-ocr-latest, ktorý na ňu odkazuje od 16. júla. OCR 4.1 pridáva skóre dôveryhodnosti na úrovni blokov. Dodatok z 3. novembra 2026: Lokálny súbor PDF sa odosiela v kódovaní base64 ako{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; typdocument_base64zo starších príkladov neexistuje ani v dokumentácii, ani v SDKmistralaia tieto príklady by zlyhali. Zdroje: OCR Processor · Document QnA.
Kvalita vstupu určuje kvalitu výstupu
Tím spoločnosti Mistral to počas svojho webinára o Document AI povedal priamo: je to „garbage in, garbage out“ (zlý vstup, zlý výstup). Nezáleží na tom, aký výkonný model použiješ, nedokáže obnoviť informácie, ktoré sken nezachytil. Keď projekt extrakcie nepodáva očakávané výsledky, vinník sa takmer vždy nachádza pred rozhraním API – vyblednutá fotokópia, opätovne naskenovaný fax alebo fotografia urobená pod uhlom v zle osvetlenom sklade. Táto lekcia pokrýva páky, ktoré skutočne ovplyvňujú presnosť.
Rozlíšenie a predspracovanie
Prvou pákou je rozlíšenie skenu. Ciele závisia od toho, čo dokument obsahuje:
- Tlačené dokumenty: minimálne 200 DPI, odporúča sa 300 DPI
- Ručné písmo: minimálne 300 DPI
- Zložité tabuľky: odporúča sa 300 DPI
- Historické dokumenty: 400 DPI alebo viac
Pod týmito hodnotami jemné čiary zmiznú a žiadny softvérový proces ich nedokáže vrátiť. Vyššie hodnoty väčšinou len zväčšujú veľkosť súboru. Ak máš kontrolu nad procesom skenovania, správne nastavenie skenera ti ušetrí oveľa viac problémov než akýkoľvek programátorský trik.
Keď dokument dorazí už digitalizovaný, predspracovanie obrazu môže niečo zachrániť. Funkcia nižšie reťazí štyri klasické operácie – prevod do odtieňov šedej, zvýšenie kontrastu, zaostrenie a binarizáciu – pred vrátením obrazu zakódovaného v base64, pripraveného na volanie OCR:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Predspracuje obraz na zlepšenie extrakcie OCR."""
img = Image.open(image_path)
# 1. Prevod do odtieňov šedej
img = img.convert("L")
# 2. Zvýšenie kontrastu
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Zvýšenie ostrosti
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarizácia (prahovanie)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Prevod na base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Otestuj toto spracovanie na vzorke pred jeho aplikáciou na celú dávku. Binarizácia je obzvlášť brutálna: na už ostrom dokumente nič nepridá a na dokumente písanom ceruzou môže úplne vymazať text.
Orientácia je ďalšou korekciou, ktorú by si nemal zanedbávať. Skeny často prichádzajú otočené o 90 alebo 180 stupňov a informácia o orientácii je zvyčajne uložená v metadátach EXIF obrazu:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Opraví orientáciu naskenovaného obrazu pomocou metadát EXIF."""
img = Image.open(image_path)
# Použitie údajov EXIF na opravu orientácie
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # Tag orientácie 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 tu opodstatnený: mnohé obrazy nemajú údaje EXIF a chýbajúce údaje o orientácii by nemali prerušiť dávkové spracovanie.
Prispôsobenie konfigurácie typu dokumentu
Pre bežné tlačené dokumenty – faktúry, zmluvy, správy – sa optimálna konfigurácia obmedzuje na explicitné vyžiadanie extrakcie tabuliek namiesto spoliehania sa na predvolené nastavenia:
# Optimálna konfigurácia pre tlačené 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" # Explicitná extrakcia tabuliek
)
Ručné písmo si vyžaduje väčšiu starostlivosť v predstihu. Skenuj minimálne pri 300 DPI, zvýš kontrast medzi atramentom a papierom, ale vynechaj agresívnu binarizáciu z predchádzajúceho skriptu: tá vymazáva jemné ťahy guľôčkového pera a stratíš viac informácií, než získaš. Samotný model zvláda ručné písmo dobre, vrátane viacjazyčného textu, čo pri predchádzajúcich generáciách OCR nebolo samozrejmosťou.
Potom tu sú vážne poškodené skeny – archívy, pokrčené dokumenty, kópie kópií. Stratégia sa mení: začni redukciou šumu pomocou mediánového filtra pred zvýšením kontrastu a následne zvýš jas, ak je celý obraz stále príliš tmavý.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Zlepší nízko kvalitný sken."""
img = Image.open(path)
# Redukcia šumu
img = img.filter(ImageFilter.MedianFilter(size=3))
# Zvýšenie kontrastu
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Zvýšenie jasu, ak je príliš tmavý
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
Poradie je dôležité: zvýšenie kontrastu pred odstránením šumu len zosilní škvrny rovnako ako písmená.
Spracovanie veľkých objemov
Akonáhle počet súborov presiahne niekoľko kusov, potrebuješ dávkové spracovanie s obsluhou chýb pre každý súbor. Pre veľmi veľké objemy ponúka Mistral službu Batch Inference; nasledujúci skript ukazuje základnú logiku pre priečinok so súbormi PDF, kde sa každé zlyhanie zaznamená do výsledkov namiesto prerušenia cyklu:
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:
"""Spracuje všetky súbory PDF v priečinku."""
results = {}
path = Path(folder)
for file in path.glob("*.pdf"):
print(f"Spracúva sa {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 výsledkov ti na konci spracovania poskytne presný zoznam súborov, ktoré treba zopakovať. Pri dávke niekoľkých stoviek dokumentov je to rozdiel medzi opakovaným spustením pre tri súbory a začiatkom úplne odznova.
Overenie pred využitím
Extrakcia, ktorá technicky uspela, mohla v praxi zlyhať: vrátená prázdna strana pre nečitateľný sken alebo záplava nezmyselných znakov na zašumenom obraze. Na vyvolanie automatickej výstrahy stačí niekoľko jednoduchých heuristík.
def verify_quality(markdown: str) -> dict:
"""Overí kvalitu extrakcie 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),
}
# Výstrahy
if indicators["words"] < 10:
indicators["alert"] = "Extrahovalo sa veľmi málo textu"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "Vysoký pomer špeciálnych znakov"
return indicators
Dva prahy sú orientačné a musia byť kalibrované podľa tvojho korpusu: desať slov na strane zmluvy signalizuje problém, ale nie pri dodacom liste, ktorý obsahuje len pätnásť slov.
Prevádzkové zhrnutie
Zapamätaj si reťazec v jeho logickom poradí. Skenuj minimálne pri 300 DPI pre akýkoľvek netriválny dokument a pred odoslaním zvýš kontrast, ak je dokument vyblednutý. Oprav uhol otočenia skenov. Vždy uprednostni natívny PDF pred skenom, ak je dostupný: jeho kvalita je štrukturálne lepšia. Explicitne špecifikuj table_format="markdown" alebo "html", kedykoľvek sú zapojené tabuľky. Spracúvaj v dávkach a paralelizuj volania pre veľké objemy. A systematicky overuj kvalitu extrakcie pred tým, než ju nakŕmiš do svojho informačného systému – zlé údaje stoja viac než chýbajúce údaje.
Kľúčové poznatky
- Kvalita zdrojového dokumentu je primárnym faktorom presnosti
- Predspracovanie obrazu (kontrast, ostrosť, binarizácia) zlepšuje výsledky
- Prispôsob prístup typu dokumentu (tlačený, ručne písaný, poškodený)
- Pre veľké objemy používaj dávkové spracovanie
- Pred použitím vždy over kvalitu extrakcie