For the complete documentation index, see llms.txt. This page is also available as Markdown.

Démarrage rapide de l’extraction

La manière la plus rapide de démarrer avec les bibliothèques clientes.

Instructions d'installation

Nécessite Python ≥ 3.9. Python ≥ 3.11 est recommandé.

Installez simplement le package PyPI avec pip:

pip install -U mindee~=5.1

Vous ne voyez pas de prise en charge pour votre langage ou framework préféré ? Faites une demande de fonctionnalité !

Envoyer un fichier et interroger les résultats

Prenez note de l'ID de votre modèle pour l'utiliser dans l'API.

Lorsque vous débutez, nous vous recommandons d'utiliser la méthode d'interrogation, qui sera la plus rapide (à moins que vous n'ayez déjà accès à un serveur Web public).

Voici des exemples de code de base, ils sont autonomes et peuvent être exécutés tels quels :

Nécessite Python ≥ 3.10. Python ≥ 3.12 est recommandé. Nécessite le bibliothèque cliente Python Mindee version 5.1.1 ou supérieure.

from mindee import PathInput
from mindee.v2 import (
    Client,
    ExtractionParameters,
    ExtractionResponse,
)

input_path = "/path/to/the/file.ext"
api_key = "MY_API_KEY"
model_id = "MY_MODEL_ID"

# Initialiser un nouveau client
mindee_client = Client(api_key)

# Définir les paramètres Extraction
model_params = ExtractionParameters(
    # ID du modèle, requis.
    model_id=model_id,

    # Options : définissez `True` ou `False` pour remplacer les valeurs par défaut

    # Améliorez la précision de l'extraction grâce à la génération augmentée par récupération.
    rag=None,
    # Extraire le contenu textuel complet du document sous forme de chaînes.
    raw_text=None,
    # Calculer les polygones des cadres englobants pour tous les champs.
    polygon=None,
    # Améliorer la précision et l'exactitude de toutes les extractions.
    # Calculer les scores de confiance pour tous les champs.
    confidence=None,
)

# Charger un fichier depuis le disque
input_source = PathInput(input_path)

# Envoyer pour traitement
response = mindee_client.enqueue_and_get_result(
    ExtractionResponse,
    input_source,
    model_params,
)

# Afficher un bref résumé des données analysées
print(response.inference)

# Accéder aux champs du résultat
fields: dict = response.inference.result.fields

Consultez également Résultat d'extraction documentation.

Détails sur l'envoi

Pour plus de détails sur les options disponibles et l'utilisation avancée, consultez les sections suivantes :

Traiter les résultats d'extraction

Une fois que vous avez envoyé le fichier et récupéré la réponse, vous pouvez commencer à accéder aux résultats.

Les champs du modèle d'extraction se trouveront dans le attribut fields objet dans la valeur renvoyée (la response variable renvoyée à l'étape ci-dessus).

Chaque clé dans le attribut fields objet correspond au champ nom dans votre Schéma de données.

Vous devrez adapter votre traitement en fonction du type de champ, par exemple lors de l'itération sur des listes ou de l'accès à des sous-champs.

Accéder à des valeurs simples, en utilisant le nom du champ dans le Schéma de données.

Vous pouvez (et devriez !) préciser le type de valeur ; les types possibles sont str , bool , float . Notez que tous les types peuvent être None.

Accéder à une liste de valeurs simples, où my_list_field est le nom du champ dans le modèle.

Accéder à un champ objet et à ses sous-champs, où my_object_field est le nom du champ dans le modèle. Dans ce cas hypothétique, l'objet a un sous-champ nommé subfield_1 .

Accéder à une liste d'objets, où my_object_list_field est le nom du champ dans le modèle.

Détails sur le traitement de la réponse

Pour plus de détails sur l'utilisation des champs de résultat dans votre application : Résultat d’extraction

Pour plus de détails sur les métadonnées de réponse : Traitement des réponses

Mis à jour

Ce contenu vous a-t-il été utile ?