D'apres PWC ( https://paperswithcode.com/sota/optical-character-recognition-on-benchmarking ), ce model est sense avoir les meilleurs perf en termes de precision https://github.com/arvindrajan92/DTrOCR. Le probleme c'est que tu n'as pas la partie training. Ce que je veux te montrer c'est que comme Grodrik l'a souligne, les challenge auxquels tu fais face sont:
- il te faut un dataset consequent, on fait pas tourner de l'OCR comme ca, on le fait tourner sur des patch, en gros tu as ton document, il faut le diviser en petites sections que ton model essaiera de lire, le plus efficace etant evidement d'isoler par exemple chaque mot ou chaque phrase, pour automatiser ca, il y a meme des model de detection de texte pour ca. Donc gros dataset + detection de texte requis
- aujourd'hui les meilleurs model d'OCR (meme ceux qui font du temps reel) utilisent les fameux transformers qui creent une connection logique entre toutes les prediction (une lettre etant une prediction) donc un model base sur un transformer sortira generalement un mot qui ressemble a quelque chose, donc je pense (je sais, ca sort de mon cul ce que je dis, c'est purement instinctif) que le model risquera de galerer severe avec les noms de famille. par exemple, pour exagerer, au lieu d'ecrire "Gabin" il pourra mettre artificiellement trop de proba sur la lettre m pour ecrire "Gamin" donc en plus d'avoir un dataset francais et manuscrit, ton dataset devra contenir pas mal de noms pour eviter que ton model ne transforme trop les noms y compris les noms de ville.
- Ensuite, tes models devront etre entraines puis peut etre pourquoi pas meme faire tourner un LLM nativement francophone pour minimiser les fautes et faire en sorte que la sortie puisse etre bien formattee. Je vois de base comme probleme etant le passage entre la lettre "s" et la lettre "s long" ( https://fr.wikipedia.org/wiki/S_long ) particulierement utilisee dans les archives comme ca. Ensuite le LLM permettra optionnellement de corriger certaines fautes faites par l'OCR "bisarre" -> "bizarre" parce que "s" ressemble a "z" tout en etant assez intelligent pour comprendre qu'un nom ne devrait pas forcement etre corrige.
Donc le projet est vraiment tres faisable et je le diviserais en 4 parties:
- creation du dataset (Optical Character Detection, Optical Character Recognition)
- entrainement des models
- evaluation "academique", reprises, rentrainements, finetuning
- deploiement, post-processing, correction etc..
c'est un beau projet, vraiment.
