LaMOP/Yolo-Seg-TextRegion-TextLine-Manuscript

1---2license: cc0-1.03base_model:4- Ultralytics/YOLO265pipeline_tag: image-segmentation6tags:7- document-layout8- yolo9- document-layout-analysis10---11# **Fiche Technique : Modèles YOLOv26n,x (Ultralytics)**12 13*Version : 1.0 | Date : 22/05/2026*14 15---16 17## **Informations générales**18 19Modèles **YOLOv26** spécialisés pour la **segmentation de régions de texte (TextRegion) et de lignes de texte (TextLine)** dans des manuscrits médievaux.20 21**Cas d'usage** : HTR.22 23| **Champ**               | **SegN**                          | **SegX**                          24|-------------------------|-----------------------------------|-----------------------------------25| **Nom du modèle**       | `Yolo-Seg-TextRegion-TextLine-Manuscript-SegN.pt` | `Yolo-Seg-TextRegion-TextLine-Manuscript-SegX.pt` 26| **Librairie**           | Ultralytics YOLOv8.4.49           | Ultralytics YOLOv8.4.49           27| **Type**                | Segmentation d’instances         | Segmentation d’instances         28| **Architecture**        | YOLOv26n (nano)                    | YOLOv26x (extra-large)             29| **Taille des poids**    | ~6.6 Mo                           | ~141 Mo                           30| **Résolution d’entrée** | 640x640 (par défaut)              | 640x640 (par défaut)              31| **Classes**             | 2 (TextRegion, TextLine)          | 2 (TextRegion, TextLine)          32| **Framework**           | PyTorch ≥ 2.0                     | PyTorch ≥ 2.0                     33| **Licence**             | CC-Zero              | CC-Zero              34 35---36 37## **Performances**38 39 40| **Métrique**   | **Valeur SegN** | **Valeur SegX** |41| -------------- | ---------- | ---------- |42| mAP50-95 (val) | 63.98%     | 68.73%    |43| mAP50 (val)    | 82.25%     | 84.92%    |44| Précision (P)  | 0.88186      | 0.90743   |45| Rappel (R)     | 0.76673      | 0.80739   |46 47---48 49 50## **Dataset**51 52### **Composition**53 54- **Taille totale** : **6599 images** (5279 train / 1320 val).55- **Format d’annotation** : YOLO (fichiers `.txt` avec masques de segmentation).56 57---58 59 60 61---62 63## **Courbes et visualisations**64 65- **Courbe PR (Precision-Recall)** :  66 67Courbe PR pour le modèle SegN68 69![Courbe PR SegN](Yolo-Seg-TextRegion-TextLine-Manuscript-SegN/BoxPR_curve.png)70 71Courbe PR pour le modèle SegX72 73![Courbe PR SegX](Yolo-Seg-TextRegion-TextLine-Manuscript-SegX/BoxPR_curve.png)74 75- **Matrice de confusion** :  76 77Confusion Matrix pour le modèle SegN78 79![Confusion Matrix SegN](Yolo-Seg-TextRegion-TextLine-Manuscript-SegN/confusion_matrix_normalized.png)80 81Confusion Matrix pour le modèle SegX82 83![Confusion Matrix SegN](Yolo-Seg-TextRegion-TextLine-Manuscript-SegX/confusion_matrix_normalized.png)84 85 86- **Exemple de détection** :  87 88Exemple sur le manuscrit "FRAD052_8H033_0043, Arch. dép. Haute-Marne, 8 H 33, Vrécourt n°7", disponible sur l'entrepôt de données [Nakala](https://nakala.fr/10.34847/nkl.b6ca1k68)89 90![Exemple](FRAD052_8H033_0043.jpg)91 92---93 94## **Utilisation****95 96### **Installation**97 98```bash99pip install ultralytics==8.4.49 torch torchvision100```101 102### **Inférence**103 104```python105from ultralytics import YOLO106 107# Charger le modèle108model = YOLO("Yolo-Seg-TextRegion-TextLine-Manuscript-SegX.pt")109 110# Prédiction sur une image111results = model.predict("document.jpg", conf=0.5, show=True)112 113# Accéder aux masques de segmentation114for result in results:115    masks = result.masks.data  # Tensor des masques116    boxes = result.boxes.data   # Boîtes englobantes117 118 119```120 121## Remerciements:122 123Nous remercions l’Institut Jacques Monod pour la fourniture des ressources informatiques et de traitement des données nécessaires à ce travail.