Optimizacija natančnosti OCR
Na tej strani
Posodobitev 2. novembra 2026 — OCR. Različica OCR 4.0 (
mistral-ocr-4-0) je bila umaknjena 30. septembra 2026. Uporabljaj OCR 4.1 (mistral-ocr-4-1), ki je splošno dostopen od 31. avgusta po enaki ceni, ali aliasmistral-ocr-latest, ki kaže nanj od 16. julija. OCR 4.1 dodaja ocene zanesljivosti na ravni blokov. Dodatek 3. novembra 2026: Lokalni PDF se prenese v formatu base64 kot{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; tipdocument_base64iz starejših primerov ne obstaja niti v dokumentaciji niti v SDK-jumistralai, ti primeri pa bi odpovedali. Viri: OCR Processor · Document QnA.
Kakovost vhoda določa kakovost izhoda
Ekipa Mistral je bila med spletnim seminarjem o Document AI jasna: „smeti noter, smeti ven”. Ne glede na to, kako zmogljiv je model, ne more obnoviti informacij, ki jih skeniranje ni zajelo. Ko projekt ekstrakcije ne deluje dobro, je krivec skoraj vedno pred API-jem – zbledela fotokopija, ponovno skeniran faks ali fotografija, posneta pod kotom v slabo osvetljenem skladišču. Ta lekcija pokriva vzvode, ki dejansko vplivajo na natančnost.
Ločljivost in predobdelava
Prvi vzvod je ločljivost skeniranja. Cilji so odvisni od vsebine dokumenta:
- Tiskani dokumenti: najmanj 200 DPI, priporočljivo 300 DPI
- Ročno pisani tekst: najmanj 300 DPI
- Kompleksne tabele: priporočljivo 300 DPI
- Zgodovinski dokumenti: 400 DPI ali več
Pod temi vrednostmi tanke črte izginejo in nobena programska obdelava jih ne more vrniti. Višje nastavitve večinoma le povečajo velikost datoteke. Če nadzoruješ verigo skeniranja, ti bo pravilna nastavitev skenerja prihranila veliko več težav kot katerikoli programerski trik.
Ko dokument prispe že digitaliziran, lahko predobdelava slike delno popravi situacijo. Spodnja funkcija združuje štiri klasične operacije – pretvorbo v sivine, izboljšanje kontrasta, izostritev in binarizacijo – preden vrne sliko, kodirano v base64, pripravljeno za klic OCR:
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Predobdela sliko za izboljšanje ekstrakcije OCR."""
img = Image.open(image_path)
# 1. Pretvorba v sivine
img = img.convert("L")
# 2. Povečanje kontrasta
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Povečanje ostrine
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarizacija (pragovljenje)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Pretvorba v base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
To obdelavo najprej preizkusi na vzorcu, preden jo uporabiš za celotno serijo. Binarizacija je še posebej brutalna: na že ostrem dokumentu ne doda nič, na dokumentu, napisanem s svinčnikom, pa lahko popolnoma izbriše besedilo.
Usmerjenost je drug popravek, ki ga ne smeš zanemariti. Skenirani dokumenti pogosto prispejo zasučeni za 90 ali 180 stopinj, informacija o usmerjenosti pa je običajno shranjena v metapodatkih EXIF slike:
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Popravi usmerjenost skenirane slike prek metapodatkov EXIF."""
img = Image.open(image_path)
# Uporabi podatke EXIF za popravek usmerjenosti
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # EXIF oznaka za usmerjenost
rotations = {3: 180, 6: 270, 8: 90}
if orientation in rotations:
img = img.rotate(rotations[orientation], expand=True)
except (AttributeError, KeyError):
pass
return img
Širok blok try je tu upravičen: številne slike nimajo podatkov EXIF, manjkajoči podatki o usmerjenosti pa ne smejo prekiniti obdelave serije.
Prilagoditev konfiguracije vrsti dokumenta
Za običajne tiskane dokumente – račune, pogodbe, poročila – se optimalna konfiguracija свaja na izrecno zahtevo po ekstrakciji tabel, namesto da bi se zanašal na privzete nastavitve:
# Optimalna konfiguracija za tiskane dokumente
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" # Izrecna ekstrakcija tabel
)
Ročno pisani tekst zahteva več pozornosti vnaprej. Skeniraj pri najmanj 300 DPI, povečaj kontrast med črnilom in papirjem, vendar preskoči agresivno binarizacijo iz prejšnjega skripta: ta izbriše fine poteze kemičnega svinčnika in izgubil boš več informacij, kot jih boš pridobil. Sam model dobro obvlada rokopis, vključno z večjezičnim besedilom, kar pri prejšnjih generacijah OCR ni bilo samoumevno.
Tu so še močno poškodovani skeni – arhivi, zmečkani dokumenti, kopije kopij. Strategija se spremeni: najprej zmanjšaj šum s sredinskim filtrom, preden povečaš kontrast, nato pa povečaj svetlost, če je vse skupaj še vedno pretemno.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Izboljša sken nizke kakovosti."""
img = Image.open(path)
# Zmanjšanje šuma
img = img.filter(ImageFilter.MedianFilter(size=3))
# Povečanje kontrasta
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Povečanje svetlosti, če je pretemno
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
Vrstni red je pomemben: če povečaš kontrast pred odstranitvijo šuma, samo okrepíš madeže enako kot črke.
Obdelava velikih količin
Ko število datotek preseže nekaj primerkov, potrebuješ serijsko obdelavo z obravnavo napak za vsako datoteko posebej. Za zelo velike količine Mistral ponuja storitev Batch Inference; naslednji skript prikazuje osnovno logiko za mapo s PDF-ji, kjer se vsaka napaka zabeleži v rezultate, namesto da bi prekinila zanko:
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:
"""Obdela vse PDF-je v mapi."""
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
Ta slovar rezultatov ti ob koncu obdelave poda točen seznam datotek za ponovni poskus. Pri seriji več sto dokumentov je to razlika med ponovnim zagonom treh datotek in začenjanjem znova od ničle.
Preveri pred uporabo
Ekstrakcija, ki je tehnično uspela, je lahko v praksi spodletela: prazna stran, vrnjena za neberljiv sken, ali poplava neumnih znakov na zašumljeni sliki. Nekaj preprostih hevristik zadostuje za sprožitev samodejnega opozorila.
def verify_quality(markdown: str) -> dict:
"""Preveri kakovost ekstrakcije 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),
}
# Opozorila
if indicators["words"] < 10:
indicators["alert"] = "Izločenih je zelo malo besedila"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "Visoko razmerje posebnih znakov"
return indicators
Oba pragova sta okvirna in ju je treba umeriti glede na tvoj korpus: deset besed za stran pogodbe signalizira težavo, ne pa tudi za dostavnico, ki vsebuje le petnajst besed.
Operativni povzetek
Zapomni si verigo v njenem logičnem vrstnem redu. Skeniraj pri najmanj 300 DPI za vsak netrivialen dokument in pred pošiljanjem povečaj kontrast, če je dokument zbledel. Popravi kot zasuka skenov. Vedno raje uporabi izvorni PDF namesto skena, kadar je na voljo: njegova kakovost je strukturno boljša. Izrecno določi table_format="markdown" ali "html", kadar so vključene tabele. Obdeluj v serijah in paraleliziraj klice za velike količine. In sistematično validiraj kakovost ekstrakcije, preden jo napojiš v svoj informacijski sistem – slabi podatki stanejo več kot manjkajoči podatki.
Ključne ugotovitve
- Kakovost izvornega dokumenta je glavni dejavnik natančnosti
- Predobdelava slike (kontrast, ostrina, binarizacija) izboljša rezultate
- Prilagodi svoj pristop vrsti dokumenta (tiskan, ročno pisan, poškodovan)
- Za velike količine uporabi serijsko obdelavo
- Pred uporabo vedno validiraj kakovost ekstrakcije