CoolFace
Modelpublic

benji990/Yolo-Seg-TextRegion-TextLine-Typed

sourceHugging Facecc0-1.0updated 3mo agoView on Hugging Face
0likes
Model Card

Fiche Technique : Modèles YOLOv26n,x (Ultralytics)

Version : 1.0 | Date : 22/05/2026

Informations générales

Modèles YOLOv26 spécialisés pour la segmentation de régions de texte (TextRegion) et de lignes de texte (TextLine) dans des documents.

Cas d'usage : OCR, transcription automatique, analyse de documents patrimoniaux.

**Champ****SegN****SegX**
Nom du modèleYolo-Seg-TextRegion-TextLine-Typed-SegN.ptYolo-Seg-TextRegion-TextLine-Typed-SegX.pt
LibrairieUltralytics YOLOv8.4.49Ultralytics YOLOv8.4.49
TypeSegmentation d’instancesSegmentation d’instances
ArchitectureYOLOv26n (nano)YOLOv26x (extra-large)
Taille des poids~6.6 Mo~141 Mo
Résolution d’entrée640x640 (par défaut)640x640 (par défaut)
Classes2 (TextRegion, TextLine)2 (TextRegion, TextLine)
FrameworkPyTorch ≥ 2.0PyTorch ≥ 2.0
LicenceCC-ZeroCC-Zero

Performances

**Métrique****Valeur SegN****Valeur SegX**
mAP50-95 (val)73.62%76.97%
mAP50 (val)94.37%95.30%
Précision (P)0.9300.95383
Rappel (R)0.9120.93317
F1-Score0.9210.943

Dataset

Composition

  • —Taille totale : 4 956 images (4 460 train / 496 val).
  • —Sources : 16 datasets publics (voir liste complète).
  • —Langues couvertes : Français, Anglais, Espagnol, Italien, Allemand, Latin, Corse, etc.
  • —Périodes : XVIe–XXe siècles (majorité : XVIIIe–XIXe).
  • —Format d’annotation : YOLO (fichiers .txt avec masques de segmentation).
  • —Répartition des classes :
  • —TextRegion : 9% (23195)
  • —TextLine : 91% (234634)

Sources des Datasets

Ehri-dataset

CORDEL-CA-PRINT-19

CORDEL-ES-PRINT-19

FONDUE-EN-PRINT-20

FONDUE-ES-PRINT-19

FONDUE-FR-PRINT-20

FONDUE-IT-PRINT-20

FONDUE-MLT-ART

FONDUE-MLT-CAT

Kat_57-SE-MSS-20

HTR-imprime-18e-siecle

Cremma-16-17-print

Dahncorpus

Tapuscorpus

NuBIS-OCR

HN2021-OCR-Poesie-Corse

TNAH-2021-ArgusDesBrevets

Courbes et visualisations

  • —Courbe PR (Precision-Recall) :

Courbe PR pour le modèle SegN

[image]

Courbe PR pour le modèle SegX

[image]

  • —Matrice de confusion :

Confusion Matrix pour le modèle SegN

[image]

Confusion Matrix pour le modèle SegX

[image]

  • —Exemple de détection :

Exemple sur la thèse Relief, érosion différentielle et morphogenèse dans un bourrelet montagneux de haute latitude : Lofoten-vesteralen et Sogn-Jotun (Norvège) de Jean-Pierre Peulvast disponible sur le site de la Nubis

[image]

Utilisation**

Installation

bash
pip install ultralytics==8.4.49 torch torchvision

Inférence

python
from ultralytics import YOLO

# Charger le modèle
model = YOLO("Yolo-Seg-TextRegion-TextLine-Typed-SegX.pt")

# Prédiction sur une image
results = model.predict("document.jpg", conf=0.5, show=True)

# Accéder aux masques de segmentation
for result in results:
    masks = result.masks.data  # Tensor des masques
    boxes = result.boxes.data   # Boîtes englobantes

Remerciements:

Nous remercions l’Institut Jacques Monod pour la fourniture des ressources informatiques et de traitement des données nécessaires à ce travail.