Aller au contenu
ModelPrésentéExterne
Télécharger

Yolo Seg TextRegion TextLine Manuscript

Version : 1.0 | Date : 22/05/2026

Sourcehuggingface.co/LaMOP/Yolo-Seg-TextRegion-TextLine-Manuscript/tree/dffa4d118cf1ea7743763ffdc5ce7eadf0d30304
TypeOtherModèle de baseUltralytics/YOLO26VersionRevision dffa4d1CClasse

Source du modèle

Type
Other
Taille du fichier
6,26–135 MB
Modèle de base
Ultralytics/YOLO26
Version
vRevision dffa4d1
Mis à jour
8 oct. 2026
Téléchargements
0
Source
Hugging Face

Description de la source

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 manuscrits médievaux.

Cas d'usage : HTR.

ChampSegNSegX
Nom du modèleYolo-Seg-TextRegion-TextLine-Manuscript-SegN.ptYolo-Seg-TextRegion-TextLine-Manuscript-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

MétriqueValeur SegNValeur SegX
mAP50-95 (val)63.98%68.73%
mAP50 (val)82.25%84.92%
Précision (P)0.881860.90743
Rappel (R)0.766730.80739

Dataset

Composition

  • Taille totale : 6599 images (5279 train / 1320 val).
  • Format d’annotation : YOLO (fichiers .txt avec masques de segmentation).

Courbes et visualisations

  • Courbe PR (Precision-Recall) :

Courbe PR pour le modèle SegN

Courbe PR SegN

Courbe PR pour le modèle SegX

Courbe PR SegX

  • Matrice de confusion :

Confusion Matrix pour le modèle SegN

Confusion Matrix SegN

Confusion Matrix pour le modèle SegX

Confusion Matrix SegN

  • Exemple de détection :

Exemple sur le manuscrit "FRAD052_8H033_0043, Arch. dép. Haute-Marne, 8 H 33, Vrécourt n°7", disponible sur l'entrepôt de données Nakala

Exemple

Utilisation**

Installation

pip install ultralytics==8.4.49 torch torchvision

Inférence

from ultralytics import YOLO

# Charger le modèle
model = YOLO("Yolo-Seg-TextRegion-TextLine-Manuscript-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.

Sources

1 source
Hugging FacePrincipalVersion dffa4d118cf1ea7743763ffdc5ce7eadf0d30304
huggingface.co/LaMOP/Yolo-Seg-TextRegion-TextLine-Manuscript/tree/dffa4d118cf1ea7743763ffdc5ce7eadf0d30304

Vérifié 25 août

Artefacts du modèle

2 artefacts

Yolo-Seg-TextRegion-TextLine-Manuscript-SegN.pt

pt · 6,26 MB · SHA-256 f9900ca3420d…74fd · Hugging Face

Télécharger

Yolo-Seg-TextRegion-TextLine-Manuscript-SegX.pt

pt · 135 MB · SHA-256 dac7c9e3182a…1818 · Hugging Face

Télécharger

Extraits de sources

2 extraits
Readme25 aoûthuggingface.co/LaMOP/Yolo-Seg-TextRegion-TextLine-Manuscript

--- license: cc0-1.0 base_model: - Ultralytics/YOLO26 pipeline_tag: image-segmentation tags: - document-layout - yolo - document-layout-analysis --- # **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 manuscrits médievaux. **Cas d'usage** : HTR. | **Champ** | **SegN** | **SegX** |-------------------------|-----------------------------------|----------------------------------- | **Nom du modèle** | `Yolo-Seg-TextRegion-TextLine-Manuscript-SegN.pt` | `Yolo-Seg-TextRegion-TextLine-Manuscript-SegX.pt` | **Librairie** | Ultralytics YOLOv8.4.49 | Ultralytics YOLOv8.4.49 | **Type** | Segmentation d’instances | Segmentation d’instances | **Architecture** | YOLOv26n (nano) | YOLOv26x (extra-large) | **Taille des poids** | ~6.6 Mo | ~141 Mo | **Résolution d’entrée** | 640x640 (par défaut) | 640x640 (par défaut) | **Classes** | 2 (TextRegion, TextLine) | 2 (TextRegion, TextLine) | **Framework** | PyTorch ≥ 2.0 | PyTorch ≥ 2.0 | **Licence** | CC-Zero | CC-Zero --- ## **Performances** | **Métrique** | **Valeur SegN** | **Valeur SegX** | | -------------- | ---------- | ---------- | | mAP50-95 (val) | 63.98% | 68.73% | | mAP50 (val) | 82.25% | 84.92% | | Précision (P) | 0.88186 | 0.90743 | | Rappel (R) | 0.76673 | 0.80739 | --- ## **Dataset** ### **Composition** - **Taille totale** : **6599 images** (5279 train / 1320 val). - **Format d’annotation** : YOLO (fichiers `.txt` avec masques de segmentation). --- --- ## **Courbes et visualisations** - **Courbe PR (Precision-Recall)** : Courbe PR pour le modèle SegN ![Courbe PR SegN](Yolo-Seg-TextRegion-TextLine-Manuscript-SegN/BoxPR_curve.png) Courbe PR pour le modèle SegX ![Courbe PR SegX](Yolo-Seg-TextRegion-TextLine-Manuscript-SegX/BoxPR_curve.png) - **Matrice de confusion** : Confusion Matrix pour le modèle SegN ![Confusion Matrix SegN](Yolo-Seg-TextRegion-TextLine-Manuscript-SegN/confusion_matrix_normalized.png) Confusion Matrix pour le modèle SegX ![Confusion Matrix SegN](Yolo-Seg-TextRegion-TextLine-Manuscript-SegX/confusion_matrix_normalized.png) - **Exemple de détection** : Exemple sur le manuscrit "FRAD052_8H033_0043, Arch. dép. Haute-Marne, 8 H 33, Vrécourt n°7", disponible sur l'entr...

Note25 aoûthuggingface.co/LaMOP/Yolo-Seg-TextRegion-TextLine-Manuscript

Source context: 0 downloads · 1 likes · Pipeline image-segmentation · Repo LaMOP/Yolo-Seg-TextRegion-TextLine-Manuscript