SwiftUI: Extract Information From Documents With Document Recognition
Zusammenfassung
Kurz
Der Beitrag erklärt Apples `RecognizeDocumentsRequest` und zeigt ein SwiftUI-Demo zur Erkennung von Text, Tabellen, Listen, Barcodes und strukturierten Daten. Im getesteten Screenshot waren die Resultate laut Autor begrenzt: Eine Tabelle erforderte eine niedrigere Mindesttexthöhe, Überschriften wurden nicht als Titel erkannt, Geldbeträge fehlten und der Konfidenzwert blieb stets 0,0.
Mittel
Der Artikel zeigt, wie Apples Vision-Anfrage `RecognizeDocumentsRequest` Dokumentbilder analysieren und strukturierte Inhalte wie Tabellen, Listen, Absätze, Titel, Barcodes und Text erkennen kann. Über `DataDetection` lassen sich erkannte Textstellen außerdem etwa als E-Mail-Adressen, Telefonnummern, Anschriften oder Geldbeträge klassifizieren. Ein SwiftUI-Demo führt durch Konfiguration, Ausführung und Darstellung der Ergebnisse.
Besonderes Augenmerk legt der Autor auf die minimale Texthöhe relativ zur Bildhöhe: Ein höherer Wert kann laut Beschreibung die Erkennung beschleunigen und Speicher sparen, aber kleinere Schrift übergehen. In seinem ungefähr 900 × 1000 Pixel großen Beispielbild wurde eine mittlere Tabelle erst bei einem deutlich niedrigeren Wert erkannt. Überschriften erschienen als normale Tabellenzellen, und erwartete Geldbeträge wurden nicht gefunden. Zudem berichtet der Autor, der Konfidenzwert sei bei ihm auf Simulator und Gerät immer 0,0 gewesen; die Ursache kenne er nicht. Das sind eigene Beobachtungen an einem Beispiel, keine systematische Bewertung für andere Dokumente oder Bedingungen.
Ausführlich lesen
Der Artikel stellt `RecognizeDocumentsRequest` aus Apples Vision-Framework vor. Laut Autor kann die Anfrage ein Dokumentbild nicht nur auf Text untersuchen, sondern dessen Inhalte auch als Tabellen, Listen, Absätze, Titel und Barcodes erfassen. Zusätzlich lassen sich erkannte Textstellen über `DataDetection` bestimmten Datentypen wie E-Mail-Adressen, Telefonnummern, Anschriften oder Geldbeträgen zuordnen. Der Beitrag führt anhand eines SwiftUI-Demos vor, wie sich eine Anfrage erstellen, konfigurieren, ausführen und ihre Ergebnisse darstellen lassen.
Für die Konfiguration beschreibt der Autor Optionen zur Barcode-Erkennung und Texterkennung, darunter unterstützte Barcode-Arten, Spracherkennung, die Zahl der Textkandidaten und Sprachkorrektur. Besonders wichtig sei die minimale Texthöhe im Verhältnis zur Bildhöhe: Ein höherer Wert könne Speicherbedarf senken und die Erkennung beschleunigen, zugleich aber kleinere Schrift ausschließen. Bei Dokumenten könne Text im Verhältnis zum Gesamtbild klein sein; deshalb beeinflusse dieser Parameter laut Autor auch, welche Inhalte erkannt und wie sie gruppiert werden. Das Demo lässt den Wert verändern und zeigt Tabellen- und Listenbereiche über Umrisse im Bild an. Weitere Ansichten listen erkannte Texte, Tabellen, Listen, Barcodes und detektierte Daten auf.
Als praktisches Beispiel verwendet der Autor einen etwa 900 × 1000 Pixel großen Screenshot mit einer Tabelle. Seinen Angaben zufolge wird eine mittlere Tabelle erst erkannt, nachdem die minimale Texthöhe ungefähr auf die Hälfte des Standardwerts gesenkt wurde. Tabellenüberschriften ordne das System nicht als Titel, sondern als gewöhnliche Tabellenzellen ein. Außerdem habe `DataDetector` in diesem Beispiel keinen der erwarteten Geldbeträge gefunden. Der Autor bewertet die Ergebnisse selbst als unzureichend, gerade weil das Beispiel eine für ihn ideale Ausgangslage darstelle.
Eine weitere Einschränkung betrifft den Konfidenzwert: Der Autor berichtet, dass `confidence` bei seinen Versuchen stets 0,0 gewesen sei, sowohl im Simulator als auch auf echten Geräten; den Grund kenne er nicht. Der Artikel dokumentiert damit eigene Beobachtungen und ein einzelnes Beispiel, keinen systematischen Vergleich. Er liefert keine allgemeingültige Aussage zur Erkennungsqualität bei anderen Dokumenten, Bildbedingungen oder Konfigurationen. Als Ressource verweist er auf ein vollständiges Demo auf GitHub und merkt an, dass sich die Anfrage neben Bilddaten auch mit anderen Bildquellen ausführen lasse. Der Beitrag soll Leserinnen und Lesern nach eigener Darstellung dabei helfen einzuschätzen, ob die Funktion für ihren Anwendungsfall geeignet ist.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Es wurden zwei Zusammenfassungen (kurz und mittel) vorgelegt, das Schema erlaubt aber nur eine Bewertung. Deshalb wurden beide gemeinsam geprüft: Beide geben den Bericht treu wieder und enthalten keine erfundenen Angaben. Die Liste fehlt bezieht sich vor allem auf die kurze Fassung; die mittlere Fassung deckt die genannten Punkte ab. Es wurden keine Fragen zur Einordnung angegeben, daher bleibt die Einordnung leer.
Im Bericht, aber nicht in der Zusammenfassung
- Die kurze Fassung nennt nicht, dass DataDetection erkannte Textstellen als E-Mail-Adressen, Telefonnummern, Anschriften oder Geldbeträge klassifiziert.
- Die kurze Fassung erläutert nicht, dass eine höhere Mindesttexthöhe die Erkennung beschleunigt und Speicher spart, dafür aber kleinere Schrift übergeht.
- Die kurze Fassung nennt nicht, dass RecognizeDocumentsRequest Barcode-, Text- und DataDetector-Funktionen kombiniert und zusätzlich die Dokumentstruktur erkennt.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.