Información sobre las funciones de reconocimiento de caracteres

El reconocimiento óptico de caracteres (OCR) es una API de Vertex AI preentrenada en Google Distributed Cloud (GDC) aislado que te permite detectar y extraer texto de tipos de archivos admitidos, como imágenes, documentos y notas escritas a mano. Puedes procesar solicitudes insertadas para extraer texto o ejecutar tareas por lotes asíncronas en archivos almacenados en segmentos en los idiomas admitidos.

Métodos de reconocimiento óptico de caracteres

El OCR ofrece los siguientes métodos disponibles en Distributed Cloud para reconocer texto:

Método Descripción
BatchAnnotateImages Detecta texto de un lote de imágenes JPEG o PNG proporcionadas en una solicitud insertada.
BatchAnnotateFiles Detecta texto de un lote de archivos PDF o TIFF proporcionados en una solicitud insertada.
AsyncBatchAnnotateFiles Detecta texto de un lote de archivos PDF o TIFF en un segmento de almacenamiento para solicitudes offline.

Funciones de reconocimiento óptico de caracteres

La API de OCR puede detectar y extraer texto de imágenes. Las dos funciones de anotación siguientes admiten el reconocimiento óptico de caracteres:

  • TEXT_DETECTION detecta y extrae texto de cualquier imagen. Por ejemplo, una fotografía puede contener una señal de tráfico o de una calle. El servicio de OCR devuelve un archivo JSON con la cadena extraída, las palabras individuales y sus cuadros delimitadores.

    Señal de tráfico que contiene palabras individuales y cuadros delimitadores para la detección de texto

    Imagen 1. Fotografía de una señal de tráfico en la que la API de OCR detecta palabras y sus cuadros delimitadores.

  • DOCUMENT_TEXT_DETECTION también extrae texto de una imagen, pero el servicio optimiza la respuesta para texto denso y documentos. Por ejemplo, una imagen escaneada de texto escrito a máquina puede contener varios párrafos y encabezados. El servicio de OCR devuelve un archivo JSON con información sobre la página, el bloque, el párrafo, la palabra y el salto.

    Imagen escaneada de texto escrito a máquina con una gran proporción de anotaciones

    Imagen 2. Imagen escaneada de texto escrito a máquina en la que la API de OCR detecta información como palabras, páginas y párrafos.

Texto escrito a mano

La figura 3 es una imagen de texto escrito a mano. La API de OCR detecta y extrae texto de estas imágenes. Para ver una lista de los sistemas de escritura que admiten el reconocimiento de escritura a mano, consulta Sistemas de escritura a mano.

Figura de escritura a mano

Imagen 3. Imagen de escritura a mano en la que la API de OCR detecta texto.

Límites del reconocimiento óptico de caracteres

Los métodos de API BatchAnnotateImages y BatchAnnotateFiles solo admiten una solicitud por llamada por lotes.

En la siguiente tabla se indican los límites actuales del servicio de OCR en Distributed Cloud.

Límite de archivos para OCR Valor
Número máximo de páginas Cinco
Tamaño máximo de archivo 20 MB
Tamaño máximo de la imagen 20 millones de píxeles (longitud x anchura)

Los archivos enviados a la API de OCR que superen el número máximo de páginas o el tamaño máximo de archivo devuelven un error. Los archivos enviados que superen el tamaño máximo de imagen se reducirán a 20 millones de píxeles.

Tipos de archivo admitidos para el OCR

La API preentrenada de OCR detecta y transcribe texto de los siguientes tipos de archivos:

  • PDF
  • TIFF
  • JPG
  • PNG

Debes almacenar los archivos de forma local en tu entorno de Distributed Cloud. No puedes acceder a archivos alojados en Cloud Storage ni a archivos disponibles públicamente para la detección de texto.